Novasinergia 2026, 9(1), 21-40. https://doi.org/10.37135/ns.01.17.02 http://novasinergia.unach.edu.ec
Artículo de revisión
Inteligencia artificial e ingeniería mecánica: Revisión bibliométrica sobre
tendencias de investigación, aplicaciones industriales y perspectivas
futuras
Artificial intelligence and mechanical engineering: A bibliometric review on research
trends, industrial applications, and future perspectives
Diego Venegas-Vásconez1
1Escuela de Hábitat, Infraestructura y Creatividad, Pontificia Universidad Católica del Ecuador, Ambato, Ecuador, 180101;
*Correspondencia: dfvenegasv@pucesa.edu.ec
Citación: Venegas-Vásconez, D.,
(2026). Inteligencia artificial e
ingeniería mecánica: Revisión
bibliométrica sobre tendencias de
investigación, aplicaciones
industriales y perspectivas futuras.
Novasinergia. 9(1). 21-40.
https://doi.org/10.37135/ns.01.17.02
Recibido: 05 septiembre 2025
Aceptado: 21 octubre 2025
Publicado: 08 enero 2026
Novasinergia
ISSN: 2631-2654
Resumen: Este artículo de revisión tiene como objetivo analizar el papel de la inteligencia
artificial (IA) en la ingeniería mecánica y su aplicación en entornos industriales, analizando
cómo ha evolucionado y hacia dónde se dirigen las tendencias en este campo. Para desarrollar
esta investigación se implementó una metodología bibliométrica basada en el análisis
cuantitativo de 166 artículos científicos registrados en la base de datos Scopus, considerando los
siguientes tópicos: año de publicación, área de conocimiento, análisis de palabras clave, países
con mayor investigación, entidades patrocinantes, fuentes con más publicaciones, tipos de
fuentes, publicaciones más citadas e idioma de publicación. Al ser una sola base de datos
seleccionada para el análisis, no existieron criterios de exclusión. Esta aproximación permitió
caracterizar la evolución temporal de la producción científica y detectar los ejes temáticos más
relevantes en el uso de IA en ingeniería mecánica. Los resultados muestran un crecimiento
sostenido de las publicaciones en la última década y evidencian aplicaciones consolidadas en
diseño mecánico, manufactura inteligente, mantenimiento predictivo y optimización de
procesos. Además, se identificaron áreas emergentes de investigación como los gemelos
digitales, la inteligencia artificial explicable y la automatización adaptable, que representan
oportunidades de innovación en la industria. Con todos estos análisis se puede concluir que la
integración de la IA en procesos mecánicos requiere una estrategia clara que considere
metodologías estandarizadas, colaboración intersectorial y el desarrollo de capacidades técnicas
para garantizar su adopción efectiva y sostenible. En síntesis, el hallazgo más relevante de esta
revisión es que la IA no solo transforma la práctica de la ingeniería mecánica, sino que se
proyecta como un eje estratégico para la competitividad industrial futura, lo que subraya la
necesidad de acelerar su incorporación en la formación académica y en la gestión tecnológica.
Palabras clave: Industria, Ingeniería Mecánica, Inteligencia Artificial, Manufactura inteligente,
Revisión bibliométrica.
Copyright: 2026 derechos otorgados por
los autores a Novasinergia.
Este es un artículo de acceso abierto
distribuido bajo los términos y
condiciones de una licencia de Creative
Commons Attribution (CC BY NC).
(http://creativecommons.org/licenses/by
/4.0/).
Abstract: His review article aims to analyze the role of artificial intelligence (AI) in mechanical
engineering and its application in industrial environments, examining how it has evolved and where
current trends in this field are heading. To conduct this research, a bibliometric methodology was
implemented based on the quantitative analysis of 166 scientific articles indexed in the Scopus database,
considering the following topics: year of publication, field of knowledge, keyword analysis, countries with
the highest research output, sponsoring entities, sources with the most publications, types of sources, most
cited publications, and language of publication. Since a single database was selected for the analysis, no
exclusion criteria were applied. This approach allowed us to characterize the temporal evolution of
scientific production and identify the most relevant thematic axes in the use of AI in mechanical
engineering. The results demonstrate sustained growth in publications over the past decade, highlighting
the consolidation of applications in mechanical design, smart manufacturing, predictive maintenance, and
process optimization. Additionally, emerging research areas were identified, including digital twins,
explainable artificial intelligence, and adaptive automation, which represent opportunities for innovation
in the industry. Based on these analyses, the integration of AI into mechanical processes requires a clear
strategy that considers standardized methodologies, cross-sector collaboration, and the development of
technical capabilities to ensure its effective and sustainable adoption. In summary, the most relevant
finding of this review is that AI not only transforms the practice of mechanical engineering but also
positions itself as a strategic axis for future industrial competitiveness, underscoring the need to accelerate
its incorporation into academic training and technology management.
Keywords: Industry, Mechanical Engineering, Artificial Intelligence, Smart manufacturing,
Bibliometric review.
Novasinergia 2026 9(1), 21-40 22
1. Introducción
En la última década, la inteligencia artificial (IA) ha emergido como un catalizador
fundamental que redefine los paradigmas de la ingeniería mecánica y los procesos
industriales [1]. Su integración responde a la necesidad creciente de optimización,
automatización avanzada y sustentabilidad en contextos como diseño, manufactura,
mantenimiento predictivo y simulación virtual [2].
En el ámbito académico, estudios como el de Plathottam [3] y Jang et. al [4] muestran
técnicas como el aprendizaje profundo (DL), diseño generativo (GD) y aprendizaje por
refuerzo (RL) están impulsando significativamente el diseño y la manufactura inteligente.
Estas tecnologías reducen costos experimentales mediante simulaciones predictivas y
Aprendizaje Automático Automatizado (AutoML), acelerando la transición del prototipo al
producto funcional. La interdisciplinaridad también se refleja en el uso de simulaciones
numéricas combinadas con IA en manufactura. Zhao et al. [5] destacan aplicaciones como
redes neuronales convolucionales en optimización de procesos y predicción en tiempo real
de parámetros críticos, elevando la precisión y eficiencia en la producción. Malik et al. [6]
exploran el impacto de la IA como parte de la revolución industrial 4.0, revelando beneficios
como reducción del consumo energético, rentabilidad operacional, mitigación de riesgos y
mejoras en rendimiento, aplicables incluso en sectores comprendidos dentro de la ingeniería
mecánica e industrial. Villegas et al. [7] estudian la interdisciplinaridad en la fusión de datos
sensoriales mediante arquitecturas híbridas (Red Neuronal Convolucional (CNN), Red
Neuronal Recurrente (RNN) y Red Neuronal Profunda (DNN)) para la optimización de
procesos y habilitación de mantenimiento predictivo en entornos inteligentes. Los
resultados muestran avances significativos: incremento de la precisión en detección de
anomalías hasta un 92%, mejora del 150% en la detección temprana para mantenimiento
predictivo y aumento de la eficiencia operativa del 70% al 85%. Estos logros validan la
propuesta y evidencian la utilidad práctica de la fusión inteligente de múltiples fuentes de
datos en entornos industriales. Alijoyo [8] propuso un marco de gestión energética para
edificios inteligentes basado en CNN e Internet de las Cosas (IoT), utilizando el dataset
ASHRAE – Great Energy Predictor III. El modelo predice con 88% de precisión el consumo
energético y detecta anomalías, superando métodos como Máquina de Vectores de Soporte
(SVM), Máquina de Aprendizaje Extremo (ELM) y Memoria a Largo Plazo (LSTM). Los
resultados muestran mejoras en eficiencia, reducción de costos y optimización en tiempo
real del consumo.
En entornos educativos e industriales, Alghazo et al. [9] destacan cómo la IA está
transformando la automatización en CAD, facilitando tareas como la conversión de dibujos
técnicos en modelos CAD 3D, además de mejorar la clasificación y la precisión, lo que
representa un avance importante para la ingeniería mecánica moderna. Asimismo,
tecnologías emergentes como los modelos generativos profundos (Red Generativa
Antagónica (GAN), Autoencoder Variacional (VAE)) están revolucionando el diseño en
ingeniería mediante síntesis automatizada de formas estructuradas optimizadas, con
promesa creciente de personalización y creatividad asistida por IA [10].
Novasinergia 2026 9(1), 21-40 23
No obstante, la adopción de IA en entornos de producción presenta considerables desafíos
[11]. La variabilidad y heterogeneidad de los datos de sensores, la opacidad de los modelos,
y los altos requisitos de confiabilidad dificultan la aplicación práctica en procesos mecánicos
industriales [12]. Desde la perspectiva de la ética y la sostenibilidad, la revisión sobre
implicaciones sociales de la IA en fabricación realizada por Nelson et al. [13] señala impactos
potenciales relacionados con desplazamiento laboral, ciberseguridad, equidad, y salud
ambiental, lo cual exige un enfoque crítico y multidisciplinar.
Frente a este panorama dinámico, este estudio bibliométrico adquiere relevancia. Al
analizar 166 documentos en Scopus, es posible mapear: tendencias temporales en
publicaciones, aplicaciones específicas de IA (e.g. diseño, manufactura, mantenimiento,
simulación), tipologías documentales, revistas clave, afiliaciones, patrocinadores, países e
instituciones más activas, publicaciones más citadas e idioma de publicaciones. Este análisis
permitirá identificar comunidades académicas emergentes, vacíos de conocimiento e
indicar oportunidades futuras, como IA explicable para ingeniería, estrategias
estandarizadas en la industria, y colaboración público-privada. En este artículo se busca
contextualizar el estado del arte respecto a la integración de IA en ingeniería mecánica e
industria de la manufactura inteligente. Finalmente, se discute los desafíos, implicaciones
éticas y oportunidades futuras para consolidar una implementación responsable y efectiva
de IA en el ámbito mecánico-industrial.
2. Metodología
El presente estudio adopta un enfoque de revisión bibliométrica según la
metodología propuesta por Pakdel y Erol [14]. Este enfoque permite una evaluación
sistemática y cuantitativa de las publicaciones científicas dentro de un dominio de
investigación definido. Para contextualizar esta investigación, se realizó una búsqueda
exhaustiva en la base de datos Scopus, con el objetivo de proporcionar un panorama global
de la aplicación de IA en la Ingeniería Mecánica, los procesos industriales y la industria de
la manufactura. La búsqueda en Scopus fue realizada el día 2 de septiembre del 2025 y las
palabras clave empleadas fueron: artificial intelligence, mechanical engineering e industry.
La cadena de búsqueda en la base de datos de Scopus fue la siguiente: TITLE-ABS-KEY (
mechanical engineering , ai , industry ). Se encontraron un total de 166 artículos. El análisis
bibliométrico abarcó múltiples dimensiones, incluyendo la evolución anual de las
publicaciones, área de conocimiento, análisis de palabras clave, países con mayor
investigación, entidades patrocinantes, fuentes con más publicaciones, tipos de fuentes,
publicaciones más citadas e idioma de publicación. La co-ocurrencia de palabras clave se
evaluó mediante VOSviewer, mientras que las representaciones gráficas fueron elaboradas
utilizando OriginPro 2025, asegurando una visualización precisa y comprensible de los
resultados. No se identificaron registros duplicados, ya que la búsqueda se realizó en una
sola base de datos (Scopus). Por lo tanto, no fue necesario aplicar un proceso de eliminación
de duplicados.
Novasinergia 2026 9(1), 21-40 24
3. Resultados
3.1. Publicaciones por año
La Figura 1 muestra la evolución del número de publicaciones por año en Scopus
relacionadas con el uso de la inteligencia artificial (IA) en la ingeniería mecánica y la
industria. La base de datos arrojó 166 publicaciones entre 1988 y 2025.
La Figura evidencia tres fases claramente diferenciadas en el crecimiento del número de
publicaciones sobre inteligencia artificial (IA) aplicada a la ingeniería mecánica y la
industria:
1) Fase inicial, exploración incipiente (1990–2015) (no reportada en el gráfico):
durante este periodo, el campo muestra una actividad científica limitada, con apenas
unos pocos trabajos anuales. Esta etapa refleja la naturaleza naciente del uso de
tecnologías como Machine Learning (ML) e IA en contextos mecánicos e industriales,
donde la adopción era aún experimental y difusa.
2) Fase de transición, creciente interés científico (2016–2019): a partir de 2016 se
identifica un punto de inflexión, con un incremento gradualmente sostenido en las
publicaciones, alcanzando entre 5 y 10 trabajos por año. Este crecimiento está
alineado con la consolidación de paradigmas como Industria 4.0, el acceso a grandes
volúmenes de datos y la madurez tecnológica de modelos estadísticos híbridos y
machine learning para mantenimiento predictivo, diseño y automatización. Por
ejemplo, Puttegowda & Nagaraju [15] destacan que la combinación de modelos
híbridos (estadísticos y redes neuronales) ha impulsado sistemas de manufactura a
ser un 30 % más rápidos, con algoritmos de aprendizaje por transferencia que
minimizan la necesidad de reentrenamiento para diferentes equipos. Además, se
registra una adopción creciente de IA en diseño y optimización mecánica, donde
técnicas como redes neuronales, algoritmos evolutivos y reinforcement learning han
permitido logros como una reducción del 15 % en la resistencia aerodinámica en
aplicaciones aeroespaciales.
3) Fase de auge, crecimiento exponencial (2020–2025): desde 2020, se observa una
explosión en la cantidad de publicaciones, superando las 15 por año y alcanzando
aproximadamente 40 en 2024–2025. Este ascenso refleja la consolidación masiva de
IA como herramienta clave en ingeniería mecánica e industrial. Por ejemplo, Zhao et
al. [5] evidencian cómo la IA potencia la ingeniería asistida por computadora (CAE),
fusionando deep learning con computación mecánica para optimizar el rendimiento
estructural y constructivo. También Plathottam et al. [3] documentan aplicaciones de
IA en manufactura avanzada, donde se destacan análisis predictivos, automatización
científica y optimización del diseño de productos dentro de la Industria 4.0.
Con estos resultados se puede indicar que la integración de IA ha trascendido la etapa
experimental, convirtiéndose en eje estratégico para innovación en diseño, procesos,
mantenimiento, simulación y manufactura inteligente. Se evidencian aplicaciones
emergentes como: mantenimiento predictivo mediante análisis de datos en tiempo real (ej.,
registros de sensores, modelos de detección de anomalías), gemelos digitales que habilitan
Novasinergia 2026 9(1), 21-40 25
simulaciones virtuales para anticipar fallos y optimizar rendimiento, GD impulsado por IA
y optimización estructural adaptativa, y finalmente sostenibilidad y eficiencia energética,
con IA utilizada para controlar consumo y minimizar desechos [16].
Figura 1. Evolución de la cantidad de publicaciones en Scopus para el uso de inteligencia artificial (IA) en la ingeniería
mecánica y la industria
3.2. Área de conocimiento
La Figura 2 corresponde a la distribución porcentual por área temática de los artículos
indexados en Scopus sobre IA en ingeniería mecánica e industria.
El gráfico de pastel muestra cómo la investigación en inteligencia artificial aplicada a la
ingeniería mecánica e industria es altamente interdisciplinaria, aunque con un claro
predominio de ciertas áreas: Ingeniería (28,7 %) representa el núcleo principal de las
publicaciones, lo cual refleja que la IA se ha consolidado como un eje transversal en el diseño
mecánico, la manufactura avanzada, la optimización estructural y el mantenimiento
predictivo. Zhao et al. [5] destacan la incorporación de IA en simulaciones, diseño asistido
por computadora y manufactura inteligente. Ciencias de la computación (19,3 %) es la
segunda área más representada, lo que refleja la base algorítmica y computacional de la IA.
Gran parte de la literatura se centra en machine learning, deep learning, visión
computacional y gemelos digitales aplicados a procesos industriales [15]. Ciencia de
materiales (9,4 %), la IA se emplea en el diseño de nuevos materiales, simulaciones
multiescala y predicción de propiedades mecánicas, con impacto directo en manufactura
avanzada y sectores aeroespacial o biomédico. Dhiman et al. [17] publicaron ejemplos del
uso de modelos generativos y aprendizaje automático para acelerar la innovación en
materiales con aplicaciones mecánicas. Física y Astronomía (6,9 %) y Energía (6,9 %), con
estos resultados se muestra la expansión de la IA en análisis de dinámica de fluidos
computacional (CFD), energías renovables y simulaciones termodinámicas, cruciales para
la ingeniería mecánica. Malik et al. [6] documentaron cómo la IA mejora la predicción de
eficiencia en turbinas, motores y sistemas termoenergéticos. Ciencias de la decisión,
Novasinergia 2026 9(1), 21-40 26
negocios y administración (~6,1 %) reflejan el papel de la IA en optimización de la cadena
de suministro, logística industrial y gestión de producción, lo cual conecta la ingeniería
mecánica con la gestión estratégica en la industria. Otras áreas (≤ 4 %), donde se incluyen
ciencias sociales, matemáticas, ciencias ambientales, química y medicina. Estas
contribuciones, aunque menores en proporción, evidencian la amplitud del impacto de la
IA y su capacidad para vincular aplicaciones industriales con sostenibilidad, química de
procesos y bioingeniería. Cioffi et al. [16] publicaron sobre IA en gestión de recursos
energéticos y reducción de huella de carbono en procesos mecánicos.
La distribución mostrada confirma que la IA aplicada a ingeniería mecánica es
esencialmente interdisciplinaria, integrando algoritmos computacionales, ciencia de
materiales, energía y gestión industrial. El predominio de ingeniería y ciencias de la
computación refleja la dualidad práctica: la IA es tanto una herramienta de optimización de
procesos industriales como un campo de desarrollo algorítmico. La presencia de áreas como
ciencias sociales, medioambientales y médicas señala que la IA aplicada a la industria
también aborda aspectos éticos, sostenibles y sociales, necesarios para su adopción integral.
Figura 2. Publicaciones por área de conocimiento en Scopus del uso de inteligencia artificial (IA) en la ingeniería
mecánica y la industria
3.3. Palabras claves
La Figura 3 es el mapa de co-ocurrencia realizado en VosViewer y refleja la evolución
temporal de los principales temas en investigación sobre IA aplicada a la ingeniería
mecánica y la industria. Los nodos más grandes, como “artificial intelligence” y “machine
learning”, indican los conceptos centrales del campo, mientras que los enlaces muestran las
interconexiones temáticas. El color del nodo representa el año de aparición predominante:
azul para términos más antiguos y amarillo para los más recientes (2023–2024). Las etiquetas
en amarillo señalan las tendencias emergentes en publicaciones recientes: Industry 4.0
continúa consolidándose como el marco principal de integración tecnológica, uniendo IA,
IoT, manufactura inteligente y estrategias digitales en la industria moderna [18]. Cost
engineering y Cost reduction subrayan un enfoque cada vez más crítico en la aplicabilidad
económica de la IA, orientado a optimizar procesos industriales, minimizar gastos y
maximizar retornos [19]. Behavioral research refleja un creciente interés en los aspectos
humanos y organizacionales de la adopción de IA, incluyendo comportamientos,
Novasinergia 2026 9(1), 21-40 27
aceptación, y dinámicas laborales. En etapas previas (verde y azul), observamos palabras
como “predictive maintenance”, “neural networks”, “3D printing” y “automation”, que
representan una fase inicial de adopción técnica de IA para optimizar el diseño y operación
de sistemas mecánicos [20], [21], [22]. En la actualidad, el énfasis ha desplazado hacia la
integración económica, organizacional y estratégica de la IA, más allá de los beneficios
puramente técnicos.
Figura 3. Publicaciones por palabras claves en Scopus del uso de inteligencia artificial (IA) en la ingeniería mecánica y la
industria
3.4. Países con mayor investigación
La Figura 4 muestra la distribución geográfica de publicaciones relacionadas con
inteligencia artificial e ingeniería mecánica por país. La intensidad del color azul indica el
número de publicaciones, con valores que van de 1 (azul claro) a 35 (azul oscuro). Estados
Unidos y India aparecen con el color más oscuro, indicando el mayor número de
publicaciones (35 y 34 respectivamente). China también muestra un alto número de
contribuciones, con un total de 22. Varios países europeos, como Alemania (13), Turquía (6),
Francia (5), Italia (5) y Reino Unido (3), muestran un número moderado de publicaciones.
Países de Asia como Malasia (7), Taiwan (5), Arabia Saudita (5) y Emiratos Árabes Unidos
(4), Corea del Sur (4) e Irak (4) también están desarrollando investigación en el área. Algunos
países de América (Canadá (4)) y África (Nigeria (3)) tienen contribuciones limitadas, por
tanto, hay mucho trabajo por desarrollar en estos continentes. En términos generales, el
mapa evidencia que la investigación en IA e Ingeniería Mecánica está centralizada en unos
pocos países líderes, mientras que otras regiones presentan oportunidades para fomentar la
colaboración internacional y desarrollo científico en este campo.
Novasinergia 2026 9(1), 21-40 28
Figura 4. Países con más publicaciones en Scopus del uso de inteligencia artificial (IA) en la ingeniería mecánica y la
industria
3.5. Entidades patrocinantes
La Tabla 1 muestra el análisis de las agencias de financiamiento que respaldan
publicaciones en inteligencia artificial aplicada a la ingeniería mecánica e industria. La
National Natural Science Foundation of China (NSFC) se posiciona como la entidad más
influyente, con 6 publicaciones, lo que confirma a China como el principal motor global en
el desarrollo de IA para manufactura inteligente, robótica y optimización de procesos. Esta
tendencia se complementa con programas estratégicos como el National Key Research and
Development Program of China y fundaciones provinciales, como la de Heilongjiang, que
en conjunto refuerzan la estrategia nacional de innovación, alineada con la iniciativa Made
in China 2025. Estudios recientes subrayan que China lidera la aplicación de IA en
manufactura avanzada, predicción de fallas y simulación multiescala, consolidándose como
referencia mundial en este campo [5]. En segundo lugar, destaca la National Science
Foundation (NSF, EE. UU.), con 5 publicaciones, lo que refleja la prioridad estratégica de la
IA dentro de la política científica estadounidense. Este financiamiento se orienta hacia áreas
críticas como la automatización, el diseño asistido por computadora y la robótica aplicada.
De manera complementaria, la National Institutes of Health (NIH) figura con 2
publicaciones, lo que pone de manifiesto la naturaleza interdisciplinaria de la IA, con
aplicaciones que trascienden lo industrial para impactar también en bioingeniería y salud.
En el caso de Canadá, el Natural Sciences and Engineering Research Council of Canada
(NSERC) contribuye con 2 publicaciones, evidenciando la apuesta por la integración de IA
en procesos productivos sostenibles y en investigación en materiales. Investigaciones
recientes muestran cómo la IA aplicada a manufactura permite optimizar recursos y
aumentar la eficiencia energética en contextos industriales [9]. En el caso de Europa, las
publicaciones asociadas a la European Commission (EC) y la Deutsche
Forschungsgemeinschaft (DFG) (ambas con 2 publicaciones) reflejan la importancia que el
continente otorga a la IA como herramienta para impulsar la transición verde y digital. A
través de programas como Horizon Europe, la Comisión Europea ha fomentado proyectos
colaborativos donde IA se combina con manufactura sostenible, automatización y ética
tecnológica [23]. Finalmente, la National Research Foundation of Korea (NRF) aparece con
Novasinergia 2026 9(1), 21-40 29
2 publicaciones, evidenciando la apuesta de Corea del Sur por integrar la IA en manufactura
avanzada, robótica y sistemas ciberfísicos. El país ha sido reconocido como pionero en la
implementación de soluciones de Industria 4.0, gracias a su estrecha colaboración entre
gobierno, industria y academia [24]. En conjunto, estos resultados reflejan que la
investigación en IA aplicada a ingeniería mecánica e industria se encuentra altamente
financiada a nivel global, con polos de liderazgo claros en China y Estados Unidos,
reforzados por Europa y Corea del Sur. La diversidad de agencias patrocinantes no solo
demuestra el interés estratégico en la materia, sino que también garantiza la consolidación
de la IA como un pilar fundamental en la evolución hacia la Industria 4.0 y 5.0, donde la
innovación tecnológica se combina con sostenibilidad y optimización económica.
Tabla 1. Publicaciones por entidades patrocinantes en Scopus
Entidad patrocinante
Publicaciones
National Natural Science Foundation of China
6
National Science Foundation
5
Natural Sciences and Engineering Research Council of Canada
2
Natural Science Foundation of Heilongjiang Province
2
National Research Foundation of Korea
2
National Key Research and Development Program of China
2
National Institutes of Health
2
European Commission
2
Deutsche Forschungsgemeinschaft
2
3.6. Fuentes con más publicaciones
La distribución de publicaciones (Figura 5) evidencia una concentración moderada
en un número reducido de fuentes.
Figura 5. Número de publicaciones por fuentes en Scopus
Novasinergia 2026 9(1), 21-40 30
El mayor número de trabajos se registró en AIP Conference Proceedings (5 publicaciones),
lo que sugiere que los congresos organizados por el American Institute of Physics han sido
una vía preferente de difusión del conocimiento en este campo. En un segundo nivel
aparecen Materials (4), Industrial Robot (4) y ACM International Conference Proceeding
Series (4). Estas tres fuentes reflejan tanto el interés en revistas de acceso abierto y
multidisciplinarias (Materials, MDPI), como en publicaciones especializadas en
automatización y robótica industrial (Industrial Robot), y en foros académicos de alto
impacto vinculados a la informática y la inteligencia artificial (ACM ICPS). Con tres
publicaciones se destacan Applied Sciences Switzerland y las actas de la ASEE Annual
Conference and Exposition, lo que muestra un equilibrio entre difusión en revistas
multidisciplinarias y congresos enfocados en educación en ingeniería. Un tercer bloque, con
dos publicaciones cada uno, lo constituyen fuentes más específicas como Software
Engineering Artificial Intelligence Compliance and Security, Society of Petroleum Engineers
ADIPEC, Lecture Notes in Mechanical Engineering, IOP Conference Series: Materials
Science and Engineering, Engineering Applications of Artificial Intelligence (EAAI) y
Computer Applications in Engineering Education (CAEE). Este patrón indica una
diversificación temática, donde la investigación se conecta tanto con aplicaciones de
inteligencia artificial como con ámbitos particulares de la ingeniería mecánica, los materiales
y la educación. En conjunto, los resultados muestran una estrategia de publicación orientada
a una combinación de congresos internacionales de alta visibilidad y revistas
multidisciplinarias y especializadas, lo cual permite ampliar el alcance de la investigación
hacia diferentes comunidades académicas e industriales.
3.7. Tipos de fuentes
La distribución de publicaciones por tipo de fuente (Figura 6) muestra una
predominancia de revistas científicas (66 publicaciones), lo que refleja la preferencia por la
difusión en journals indexados, usualmente asociados con un mayor impacto académico y
citacional. Esto evidencia que gran parte de la investigación busca posicionarse en foros de
alta visibilidad y con procesos de revisión por pares más rigurosos. En segundo lugar, se
encuentran los conference proceedings (60 publicaciones), cuyo número es comparable al
de las revistas. Esto indica una fuerte orientación hacia la presentación temprana de
resultados en congresos internacionales, lo que permite el intercambio científico y
tecnológico en etapas iniciales del desarrollo investigativo, especialmente en áreas
dinámicas como inteligencia artificial, ingeniería y materiales. Las publicaciones en libros
(26) y series de libros (13) representan un tercer nivel de difusión. Estas fuentes tienden a
consolidar resultados de investigación en forma de capítulos o volúmenes temáticos, lo que
aporta a la sistematización y la transferencia de conocimiento hacia públicos más amplios o
especializados en ámbitos académicos y formativos. Finalmente, se observa un aporte
mínimo desde trade journals (1 publicación), lo que evidencia un interés reducido en medios
orientados principalmente al sector industrial y profesional, posiblemente debido a su
menor peso en la evaluación académica y científica. En conjunto, los datos evidencian una
estrategia de difusión equilibrada entre journals de alto impacto y proceedings de congresos
internacionales, complementada con libros y series de libros para la consolidación temática.
Esta combinación sugiere una política de publicación que busca tanto la visibilidad
Novasinergia 2026 9(1), 21-40 31
inmediata en foros académicos especializados como la construcción de obras de referencia
a largo plazo.
Figura 6. Número de publicaciones por tipo de fuentes en Scopus
3.8. Publicaciones más citadas
En la Tabla 2 se presentan las publicaciones más relevantes en el ámbito de la
inteligencia artificial en la Ingeniería Mecánica y la Industria. Se aprecia tanto la diversidad
de enfoques como el impacto científico de cada contribución en áreas como la gestión de
operaciones, la predicción de propiedades en materiales manufacturados aditivamente, el
mantenimiento predictivo, la modelación de procesos de soldadura y los diagnósticos
basados en visión computacional.
Tabla 2. Publicaciones más citadas en Scopus del uso de inteligencia artificial (IA) en la ingeniería mecánica y la industria
Publicación
Revista
Hallazgos más relevantes
N°citas
Ref
Researchers'
perspectives on
Industry 4.0: multi-
disciplinary
analysis and
opportunities for
operations
management
International
Journal of
Production
Research
Se analiza el estado actual de la investigación sobre
Industria 4.0 en distintas disciplinas, con un enfoque en
gestión de operaciones. Se abarcaron investigadores en
ingeniería industrial, gestión de operaciones, control y
ciencia de datos. Los autores construyen marcos
estructurales y conceptuales para comprender el
conocimiento vigente y proponen oportunidades de
investigación futura en gestión de operaciones, destacando
tecnologías clave como IA, IoT, sistemas ciberfísicos y
análisis de grandes datos.
364
[25]
Novasinergia 2026 9(1), 21-40 32
A machine learning
framework to
predict local strain
distribution and the
evolution of plastic
anisotropy &
fracture in
additively
manufactured
alloys
International
Journal of Plasticity
Se propone un marco basado en ML para predecir la
evolución de la deformación local, anisotropía plástica y
falla durante el ensayo de tracción del aluminio AlSi10Mg
producido por Selective Laser Melting (SLM). Se combinan
técnicas de manufactura aditiva y AI, incluyendo impresión
de muestras, escaneo por tomografía computarizada (CT),
pruebas mecánicas con Digital Image Correlation (DIC) y
desarrollo de un modelo de red neuronal artificial (ANN).
Los datos experimentales se usan para entrenar y validar el
modelo, incluyendo características microestructurales como
tamaño, forma y distribución de porosidad. El ANN predice
con éxito puntos críticos de deformación, bandas de corte y
localización de grietas, demostrando la aplicabilidad de ML
para relaciones microestructura-propiedad-desempeño en
materiales complejos y motivando su uso en optimización
de procesos AM y desarrollo de nuevas aleaciones.
129
[26]
Artificial
intelligence in
prognostics and
health management
of engineering
systems
Engineering
Applications of
Artificial
Intelligence
Se realiza una revisión del estado del arte sobre el uso de IA
y ML en prognósticos y gestión de salud (PHM). Se
destacan enfoques basados en modelos, datos o una
combinación de ambos, haciendo énfasis en la utilización
de grandes volúmenes de datos de monitoreo para
identificar fallas y predecir la vida útil remanente. Con la
adopción de Industria 4.0, la IA permitirá prácticas de
mantenimiento más predictivas y proactivas. Se discuten
aspectos críticos como mano de obra, ciberseguridad,
normas y regulaciones. Los autores concluyen que la
investigación continua en sistemas predictivos basados en
IA es clave para garantizar compatibilidad con futuros
diseños y sistemas industriales.
111
[27]
Artificial neural
networks
application for
modeling of friction
stir welding effects
on mechanical
properties of 7075-
T6 aluminum alloy
Iop Conference
Series Materials
Science and
Engineering
Se investiga la aplicación de redes neuronales artificiales
(ANNs) para modelar los parámetros efectivos del Friction
Stir Welding (FSW). Se entrenaron las ANNs con datos
experimentales de treinta muestras de AA-7075-T6,
utilizando el algoritmo de retropropagación (BP). Como
entradas se consideraron velocidad de herramienta,
velocidad de soldadura, fuerza axial, diámetro del hombro,
diámetro del pin y dureza de la herramienta, mientras que
como salidas se evaluaron dureza de la zona de soldadura,
límite elástico, resistencia a la tracción y resistencia a la
tracción con muesca. Los resultados muestran que las
ANNs predicen con alta precisión las propiedades
mecánicas, confirmando su aplicabilidad como herramienta
eficiente para modelar parámetros de FSW, reduciendo la
necesidad de experimentos costosos y prolongados.
68
[28]
Vision-Based Fault
Diagnostics Using
Explainable Deep
Learning with Class
Activation Maps
IEEE Access
El estudio propone un método de diagnóstico automático de
maquinaria mediante redes neuronales convolucionales
(CNN) y class activation maps (CAM), aplicado a datos de
vibración en tiempo real. Se localiza con precisión las fallas
en componentes mecánicos sin necesidad de extracción
manual de características. El modelo se validó usando
conjuntos de datos de una viga en voladizo excitada por
base y una bomba de agua, demostrando un enfoque
prometedor para monitoreo industrial automático basado en
el estado de las máquinas.
59
[29]
Novasinergia 2026 9(1), 21-40 33
Future of Digital
Work Force in
Robotic Process
Automation
Robotic Process
Automation
Se analiza la adopción de Robotic Process Automation
(RPA) como tecnología emergente en TI, ingeniería y
automatización industrial. RPA combina hardware,
software y redes para automatizar tareas rutinarias como
nómina, gestión de inventarios, facturación y generación de
reportes. La revisión exploratoria, basada en datos
secundarios y literatura reciente, evidencia que RPA se está
consolidando en sectores como salud, banca, retail, energía
y FMCG, impulsado por la convergencia con IA, ML, deep
learning (DL) y blockchain, ofreciendo eficiencia operativa
y reducción de carga laboral.
37
[30]
Artificial
Intelligence:
Prospect in
Mechanical
Engineering
Field—A Review
Lecture Notes on
Data Engineering
and
Communications
Technologies
El estudio revisa la aplicación de inteligencia artificial (IA)
en ingeniería mecánica, incluyendo áreas como
manufactura, diseño, control de calidad y procesos
térmicos. Se destacan tecnologías como ANN, CNN,
DCNN y lógica difusa para la planificación de procesos,
control, optimización y automatización. La implementación
de IA permite minimizar errores y rechazos, optimizar
sistemas y mejorar la productividad, logrando productos de
mayor calidad y eficiencia económica.
35
[31]
Establishing flow
stress behaviour of
Ti-6Al-4V alloy
and development of
constitutive models
using Johnson-
Cook method and
Artificial Neural
Network for quasi-
static and dynamic
loading
Theoretical and
Applied Fracture
Mechanics
El estudio analiza el comportamiento mecánico de la
aleación Ti-6Al-4V bajo diferentes condiciones de
temperatura (25–200 ℃) y velocidad de deformación (10⁻³–
10⁴ s⁻¹). Se realizaron ensayos de tracción y análisis de
fractura para establecer la correlación estructura–propiedad,
desarrollando modelos constitutivos, incluyendo una
versión modificada del modelo Johnson-Cook. Además, se
implementó un marco de red neuronal artificial (ANN) para
predecir el esfuerzo de fluencia, demostrando que la técnica
basada en IA supera en eficiencia al modelo tradicional
Johnson-Cook en la predicción de comportamiento
mecánico de la aleación.
34
[32]
Fluidized bed jet
milling process
optimized for mass
and particle size
with a fuzzy logic
approach
Materials
Se optimiza el proceso de molienda por lecho fluidizado
utilizando un modelo basado en lógica difusa (FL). El
modelo FLMill considera presión de aire, velocidad de rotor
y tiempo de prueba como entradas, y masa y diámetro
medio de Sauter del producto como salidas. La validación
con datos experimentales permitió determinar condiciones
óptimas que producen 243,3 g de material con diámetro
medio de 11 μm. Los resultados demuestran que la lógica
difusa es eficaz para optimizar procesos complejos de
ingeniería mecánica.
33
[33]
A Review of
Mobile Robots:
Applications and
Future Prospect
International
Journal of Precision
Engineering and
Manufacturing
El artículo revisa los avances en robótica móvil durante las
últimas ocho décadas, destacando la integración de
inteligencia artificial y redes neuronales para permitir que
los robots tomen decisiones autónomas. Se analizan
aplicaciones en sectores de servicios físicos, seguridad y
militares, mostrando cómo estos robots mejoran la
eficiencia, reducen riesgos humanos y transforman tanto la
vida cotidiana como los entornos industriales.
32
[34]
Novasinergia 2026 9(1), 21-40 34
3.9. Idioma de publicación
La distribución de publicaciones según el idioma (Tabla 3) refleja una clara
hegemonía del inglés, con 163 documentos que representan la gran mayoría del total. Este
predominio responde a la función del inglés como lengua franca de la ciencia y la tecnología,
lo que garantiza mayor visibilidad, acceso a audiencias globales y un impacto citacional
superior. En contraste, solo se identifican dos publicaciones en chino y una en alemán, lo
cual muestra una presencia marginal de otros idiomas. Este patrón indica que, aunque
existen aportes desde comunidades científicas regionales, la estrategia de difusión prioriza
la internacionalización del conocimiento. La concentración en el inglés también es
consistente con las exigencias de las revistas indexadas en bases de datos internacionales
(Scopus, WoS), que demandan publicaciones en este idioma para asegurar la
estandarización de la comunicación científica. En conjunto, los resultados ponen en
evidencia una orientación clara hacia la proyección internacional de la investigación, donde
el uso predominante del inglés fortalece el alcance y la transferencia del conocimiento hacia
una comunidad académica global, mientras que las publicaciones en chino y alemán pueden
responder a iniciativas locales o a contextos específicos de colaboración.
Tabla 3. Publicaciones por idioma en Scopus del uso de inteligencia artificial (IA) en la ingeniería mecánica y la industria
Idioma de publicación
Número de
Publicaciones
Inglés
163
Chino
2
Alemán
1
4. Discusión
Se contrasta los hallazgos sobre la aplicación de IA en la Ingeniería Mecánica con
revisiones previas, resaltando las aportaciones originales de este estudio. Oladimeji et al.
[35] analizaron 82 artículos sobre IA explicable (XAI) en la industria 4.0/5.0, identificaron
tendencias, desafíos y perspectivas para mejorar transparencia, adopción y colaboración
interdisciplinaria. Gursel et al. [36] analizaron cómo la IA y el aprendizaje automático
ayudan a comprender y reducir errores humanos en industrias críticas, clasificando
enfoques, desafíos y futuras líneas de investigación. Kampelopoulus et al. [37] estudiaron
el uso de modelos de lenguaje (LLM) en la industria de arquitectura, ingeniería y
construcción, identificando aplicaciones, desafíos, limitaciones y oportunidades futuras
para su integración tecnológica. Burggräf et al. [38] analizaron 39 estudios sobre IA aplicada
a la gestión de cambios de ingeniería, identificando métodos, vacíos investigativos y
propuestas futuras para optimizar procesos y automatizar decisiones complejas. A
diferencia de estos estudios anteriores, este trabajo incorpora un análisis actualizado
centrado exclusivamente en la base de datos Scopus, lo que permite un enfoque más
coherente y específico. Además, se ha realizado un conteo cuantitativo claro y sistemático
que aporta una nueva perspectiva sobre el estado del arte de la utilización de IA en
Ingeniería Mecánica. Este enfoque contribuye al avance del conocimiento, ofreciendo una
visión actualizada y focalizada no encontrada en la literatura previa.
Novasinergia 2026 9(1), 21-40 35
Como amenazas a la validez, se reconoce explícitamente que la búsqueda se realizó
únicamente en Scopus, lo cual limita la cobertura a publicaciones indexadas en dicha base.
Este enfoque fue adoptado para garantizar la calidad y consistencia de los datos, aunque se
reconoce como una limitación metodológica. Al no existir sesgo para el idioma de
publicaciones, no existe por tanto exclusión de contribuciones relevantes en otros idiomas.
Finalmente, se discute el peso relativo de los proceedings en los resultados, reconociendo
que estos pueden influir en la interpretación cuantitativa de la literatura. Estas
consideraciones fortalecen la transparencia del estudio y permiten un entendimiento más
completo de sus alcances y limitaciones.
Se reconocen implicaciones en este trabajo, aporta valor significativo tanto a nivel
académico como industrial. En el ámbito académico, los hallazgos pueden orientar el
desarrollo curricular en programas educativos relacionados, aportando una base sólida para
la formación de futuros profesionales, sobre todo de estudiante provenientes de países en
vías de desarrollo. En el ámbito industrial, las conclusiones ofrecen orientaciones relevantes
para la adopción de prácticas basadas en evidencia, fomentando la innovación y la mejora
continua en el sector.
Dentro de los desafíos y perspectivas futuras, se detallan desafíos tecnológicos y
organizacionales, donde la adopción de técnicas de IA (p. ej., DL, reinforcement learning y
diseño generativo) en sistemas mecánicos y líneas de producción enfrenta desafíos técnicos
sustantivos: la heterogeneidad y el sesgo en los datos operacionales, la necesidad de
modelos con tolerancia a fallos en tiempo real, la integración robusta con controladores
industriales (PLC/SCADA) y la interoperabilidad entre herramientas de diseño y ejecución
[39]. Además, la sostenibilidad computacional (huella energética de modelos de gran escala)
y la validación en condiciones reales —no solo en entornos simulados— exigen marcos de
evaluación estandarizados y pipelines de certificación [18]. Estos problemas técnicos se
entrelazan con barreras organizacionales: falta de competencias internas, silos de datos
entre departamentos y resistencia cultural al reemplazo parcial de decisiones humanas por
automatismos algorítmicos [40].
Además, se establecen implicaciones éticas y sociales, ya que la implantación de IA en
manufactura plantea riesgos éticos concretos: sesgo algorítmico que puede traducirse en
decisiones injustas sobre asignación de trabajo o evaluación de desempeño; opacidad de
modelos (falta de explicabilidad) que dificulta la atribución de responsabilidad en fallos; y
potenciales vulnerabilidades de seguridad y privacidad por la recolección masiva de datos
de procesos y de trabajadores [41]. Además, la automatización puede provocar impactos
laborales desiguales —desplazamiento de tareas rutinarias combinado con demanda de
nuevas competencias— lo que requiere políticas de formación continua y modelos de
transición laboral. La gobernanza de estos riesgos exige marcos regulatorios y guías de ética
aplicables al contexto industrial, así como auditorías técnicas y sociales periódicas [42].
Existen retos de confianza, explicabilidad y verificación, considerando que para que la IA
sea aceptada en aplicaciones críticas (mantenimiento predictivo, control adaptativo,
seguridad funcional) es imprescindible que los modelos sean confiables, verificables y
explicables. Las técnicas de XAI (explainable AI) y los enfoques híbridos (modelos físicos +
ML) permiten ofrecer garantías interpretables y límites de operación —pero requieren
Novasinergia 2026 9(1), 21-40 36
metodología formal para cuantificar incertidumbre y comportamiento fuera de distribución
(OOD) [43]. La verificación debe cubrir tanto el rendimiento estadístico como la adherencia
a requisitos de seguridad funcional (p. ej., normas IEC/ISO aplicables), lo cual obliga a
colaboración entre ingenieros de control, especialistas en ML y autoridades reguladoras
[44].
Es importante mencionar que la IA ofrece oportunidades transformadoras en el ciclo de vida
del producto y en operaciones: GD automatiza exploración de topologías y optimizaciones
multiobjetivo; gemelos digitales habilitan simulación en tiempo real y optimización
prescriptiva de líneas; y sistemas predictivos aumentan la disponibilidad mediante
estrategias de mantenimiento basadas en condición [45]. La convergencia IA–IoT–edge-
computing permitirá decisiones distribuidas y latencias reducidas, lo que es crítico en
sistemas mecánicos con requerimientos de control en lazo cerrado [46]. Estas capacidades
promueven mejoras en eficiencia energética, calidad y flexibilidad productiva, y
reconfiguración rápida ante cambios de demanda [47].
Una adopción responsable de IA en manufactura debe integrar criterios de sostenibilidad
(green AI), evaluando consumo energético del entrenamiento y desplegando modelos
eficientes o cuantificando el trade-off entre precisión y huella ambiental [48]. Asimismo, es
necesario incorporar métricas de impacto social y económico que permitan monitorear
efectos en empleo y equidad regional, especialmente en clústeres manufactureros donde la
automatización puede magnificar brechas socioeconómicas [49].
5. Conclusiones
La inteligencia artificial aplicada a la ingeniería mecánica e industria ha mostrado un
crecimiento notable, pasando de una fase exploratoria (1990–2015) a un auge exponencial
de publicaciones (2020–2025). La IA se ha consolidado como una herramienta clave en
diseño, simulación, mantenimiento predictivo y manufactura inteligente. La investigación
es interdisciplinaria, destacando Ingeniería, Ciencias de la Computación y Ciencia de
Materiales, y abarca también aspectos estratégicos, económicos y sostenibles. Estados
Unidos, India y China lideran la financiación y producción científica, mientras que las
publicaciones más citadas reflejan avances metodológicos en machine learning, deep
learning y aplicaciones prácticas en manufactura avanzada y diagnósticos basados en
visión. La producción científica se concentra en un conjunto limitado de fuentes,
combinando congresos internacionales de alta visibilidad y revistas multidisciplinarias o
especializadas, lo que refleja una estrategia de diversificación y alcance hacia distintas
comunidades académicas e industriales. La preferencia por journals indexados y
proceedings de congresos internacionales confirma una política de difusión orientada tanto
al impacto académico como al intercambio temprano de resultados, complementada por
libros y series de libros para la consolidación temática. El predominio casi absoluto del
inglés como idioma de publicación reafirma la intención de internacionalizar la
investigación y maximizar su visibilidad global, mientras que las publicaciones en otros
idiomas se mantienen marginales y asociadas a contextos regionales. En conjunto, los
resultados confirman que la IA se ha consolidado como un eje estratégico para la innovación
en ingeniería mecánica e industria, trascendiendo aplicaciones experimentales para
Novasinergia 2026 9(1), 21-40 37
convertirse en un pilar en diseño, optimización, mantenimiento, sostenibilidad y gestión
inteligente de procesos industriales, posicionándose como un componente clave de la
Industria 4.0 y abriendo perspectivas hacia la Industria 5.0.
Agradecimientos
Se agradece a la Escuela de Hábitat, Infraestructura y Creatividad, y a la Dirección
de Investigación de la Pontificia Universidad Católica del Ecuador Sede Ambato por las
facilidades prestadas para la consecución de esta investigación.
Conflicto de Interés
El autor no reporta conflictos de interés relacionados con esta investigación.
Declaración sobre el uso de Inteligencia Artificial Generativa
No se utilizó inteligencia artificial generativa en la preparación de este artículo. En la
preparación de este artículo, se utilizó ChatGPT para correcciones gramaticales.
Referencias
[1] M. Ramos-Maldonado, F. T. Muñoz, P. Mora, y D. Venegas-Vásconez, “Optimizing Cutting Log
Operations in Softwood Sawmills: A Multi-Objective Approach Tailored for SMEs”, IEEE Access, vol.
12, pp. 128141–128150, 2024, doi: 10.1109/ACCESS.2024.3455351.
[2] M. Ramos Maldonado, T. Duarte Sepúlveda, F. Gatica Neira, y D. Venegas-Vásconez, “Machine
learning para predecir la calidad del secado de chapas en la industria de tableros contrachapados de
Pinus radiata”, Maderas Cienc. Tecnol., vol. 26, jul. 2024, doi: 10.22320/s0718221x/2024.46.
[3] S. J. Plathottam, A. Rzonca, R. Lakhnori, y C. O. Iloeje, “A review of artificial intelligence applications
in manufacturing operations”, J. Adv. Manuf. Process., vol. 5, n. 3, p. e10159, jul. 2023, doi:
10.1002/amp2.10159.
[4] S. Jang, S. Yoo, y N. Kang, “Generative Design by Reinforcement Learning: Enhancing the Diversity
of Topology Optimization Designs”, Comput.-Aided Design., vol. 146, p. 103225, may 2022, doi:
10.1016/j.cad.2022.103225.
[5] X.-W. Zhao, X.-M. Tong, F.-W. Ning, M.-L. Cai, F. Han, y H.-G. Li, “Review of empowering computer-
aided engineering with artificial intelligence”, Adv. Manuf., mar. 2025, doi: 10.1007/s40436-025-00545-
0.
[6] S. Malik, K. Muhammad, y Y. Waheed, “Artificial intelligence and industrial applications-A revolution
in modern industries”, Ain Shams Eng. J., vol. 15, n. 9, p. 102886, sep. 2024, doi:
10.1016/j.asej.2024.102886.
[7] W. Villegas-Ch, W. Gaibor-Naranjo, y S. Sanchez-Viteri, “Application of Deep Learning Techniques
for the Optimization of Industrial Processes Through the Fusion of Sensory Data”, Int. J. Comput. Intell.
Syst., vol. 17, n. 1, jul. 2024, doi: 10.1007/s44196-024-00596-4.
[8] F. A. Alijoyo, “AI-powered deep learning for sustainable industry 4.0 and internet of things:
Enhancing energy management in smart buildings”, Alexandria Engineering Journal., vol. 104, pp. 409–
422, oct. 2024, doi: 10.1016/j.aej.2024.07.110.
[9] M. Alghazo, V. Ahmed, y Z. Bahroun, “Exploring the applications of artificial intelligence in
mechanical engineering education”, Front. Educ., vol. 9, feb. 2025, doi: 10.3389/feduc.2024.1492308.
Novasinergia 2026 9(1), 21-40 38
[10] L. Regenwetter, A. H. Nobari, y F. Ahmed, “Deep Generative Models in Engineering Design: A
Review”, arXiv, 2021, doi: 10.48550/arXiv.2110.10863.
[11] S. Gao et al., “Deep generative model for the inverse design of Van der Waals heterostructures”, Sci.
Rep., vol. 15, n. 1, jul. 2025, doi: 10.1038/s41598-025-06432-9.
[12] N. B. Alam, M. Surani, C. K. Das, D. Giacco, S. P. Singh, y S. Jilka, “Challenges and standardisation
strategies for sensor-based data collection for digital phenotyping”, Commun. Med., vol. 5, n. 1, ago.
2025, doi: 10.1038/s43856-025-01013-3.
[13] J. P. Nelson, J. B. Biddle, y P. Shapira, “Applications and Societal Implications of Artificial Intelligence
in Manufacturing: A Systematic Review”, arXiv. 2023, doi: 10.48550/ARXIV.2308.02025.
[14] J. Pakdel y I. Erol, “Scrutinizing challenges to adopting digital technologies in the mining industry: A
systematic review through PRISMA and bibliometric analysis”, Resources Policy, vol. 109, p. 105713,
oct. 2025, doi: 10.1016/j.resourpol.2025.105713.
[15] M. Puttegowda y S. Ballupete Nagaraju, “Artificial intelligence and machine learning in mechanical
engineering: Current trends and future prospects”, Eng. Appl. Artif. Intell., vol. 142, p. 109910, feb. 2025,
doi: 10.1016/j.engappai.2024.109910.
[16] R. Cioffi, M. Travaglioni, G. Piscitelli, A. Petrillo, y F. De Felice, “Artificial Intelligence and Machine
Learning Applications in Smart Production: Progress, Trends, and Directions”, Sustainability, vol. 12,
n. 2, p. 492, ene. 2020, doi: 10.3390/su12020492.
[17] P. Dhiman et al., “The TRIPOD-P reporting guideline for improving the integrity and transparency of
predictive analytics in healthcare through study protocols”, Nat. Mach. Intell., vol. 5, n. 8, pp. 816–817,
ago. 2023, doi: 10.1038/s42256-023-00705-6.
[18] M. Kavak y L. Rusu, “Challenges and Opportunities of Artificial Intelligence in Digital
Transformation: A Systematic Literature Review”, Procedia Comput. Sci., vol. 256, pp. 369–377, 2025,
doi: 10.1016/j.procs.2025.02.132.
[19] A. Jamwal, R. Agrawal, M. Sharma, y A. Giallanza, “Industry 4.0 Technologies for Manufacturing
Sustainability: A Systematic Review and Future Research Directions”, Appl. Sci., vol. 11, n. 12, p. 5725,
jun. 2021, doi: 10.3390/app11125725.
[20] Z. M. Çınar, A. Abdussalam Nuhu, Q. Zeeshan, O. Korhan, M. Asmael, y B. Safaei, “Machine Learning
in Predictive Maintenance towards Sustainable Smart Manufacturing in Industry 4.0”, Sustainability,
vol. 12, n. 19, p. 8211, oct. 2020, doi: 10.3390/su12198211.
[21] T. Zonta, C. A. Da Costa, R. Da Rosa Righi, M. J. De Lima, E. S. Da Trindade, y G. P. Li, “Predictive
maintenance in the Industry 4.0: A systematic literature review”, Computers Industrial Engineering, vol.
150, p. 106889, dic. 2020, doi: 10.1016/j.cie.2020.106889.
[22] T. P. Carvalho, F. A. A. M. N. Soares, R. Vita, R. D. P. Francisco, J. P. Basto, y S. G. S. Alcalá, “A
systematic literature review of machine learning methods applied to predictive maintenance”,
Computers Industrial Engineering, vol. 137, p. 106024, nov. 2019, doi: 10.1016/j.cie.2019.106024.
[23] M. Elahi, S. O. Afolaranmi, J. L. Martinez Lastra, y J. A. Perez Garcia, “A comprehensive literature
review of the applications of AI techniques through the lifecycle of industrial equipment”, Discov.
Artif. Intell., vol. 3, n. 1, dic. 2023, doi: 10.1007/s44163-023-00089-x.
[24] J. Jenis, J. Ondriga, S. Hrcek, F. Brumercik, M. Cuchor, y E. Sadovsky, “Engineering Applications of
Artificial Intelligence in Mechanical Design and Optimization”, Machines, vol. 11, n. 6, p. 577, may
2023, doi: 10.3390/machines11060577.
[25] D. Ivanov, C. S. Tang, A. Dolgui, D. Battini, y A. Das, “Researchers’ perspectives on Industry 4.0: multi-
disciplinary analysis and opportunities for operations management”, International Journal of Production
Research, vol. 59, n. 7, pp. 2055-2078, ago. 2020, doi: 10.1080/00207543.2020.1798035.
Novasinergia 2026 9(1), 21-40 39
[26] W. Muhammad, A. P. Brahme, O. Ibragimova, J. Kang, y K. Inal, “A machine learning framework to
predict local strain distribution and the evolution of plastic anisotropy & fracture in additively
manufactured alloys”, International Journal of Plasticity., vol. 136, p. 102867, ene. 2021, doi:
10.1016/j.ijplas.2020.102867.
[27] S. Ochella, M. Shafiee, y F. Dinmohammadi, “Artificial intelligence in prognostics and health
management of engineering systems”, Engineering Applications of Artificial Intelligence, vol. 108, 104552,
feb. 2022, doi: 10.1016/j.engappai.2021.104552.
[28] E. Maleki, “Artificial neural networks application for modeling of friction stir welding effects on
mechanical properties of 7075-T6 aluminum alloy”, IOP Conf. Ser. Mater. Sci. Eng., vol. 103, p. 012034,
dic. 2015, doi: 10.1088/1757-899X/103/1/012034.
[29] K. H. Sun, H. Huh, B. A. Tama, S. Y. Lee, J. H. Jung, y S. Lee, “Vision-Based Fault Diagnostics Using
Explainable Deep Learning With Class Activation Maps”, IEEE Access, vol. 8, pp. 129169–129179, 2020,
doi: 10.1109/ACCESS.2020.3009852.
[30] P. William, V. M. Tidake, S. R. Thorat, y A. Verma, «Future of Digital Work Force in Robotic Process
Automation», Robotic Process Automation. Wiley, pp. 297-314, ago. 25, 2023. doi:
10.1002/9781394166954.ch20.
[31] A. R. Patel, K. K. Ramaiya, C. V. Bhatia, H. N. Shah, y S. N. Bhavsar, «Artificial Intelligence: Prospect
in Mechanical Engineering Field—A Review», Lecture Notes on Data Engineering and Communications
Technologies. Springer Singapore, pp. 267-282, jun. 18, 2020. doi: 10.1007/978-981-15-4474-3_31.
[32] S. Deb, A. Muraleedharan, R. J. Immanuel, S. K. Panigrahi, G. Racineux, y S. Marya, “Establishing flow
stress behaviour of Ti-6Al-4V alloy and development of constitutive models using Johnson-Cook
method and Artificial Neural Network for quasi-static and dynamic loading”, Theor. Appl. Fract. Mech.,
vol. 119, jun. 2022, doi: 10.1016/j.tafmec.2022.103338.
[33] J. Krzywanski, D. Urbaniak, H. Otwinowski, T. Wylecial, y M. Sosnowski, “Fluidized bed jet milling
process optimized for mass and particle size with a fuzzy logic approach”, Materials, vol. 13, n. 15, jul.
2020, doi: 10.3390/ma13153303.
[34] N. Sharma, J. Pandey, y S. Mondal, “A Review of Mobile Robots: Applications and Future Prospect”,
Int. J. Precis. Eng. Manuf., vol. 24, n. 9, pp. 1695-1706, ago. 2023, doi: 10.1007/s12541-023-00876-7.
[35] O. O. Oladimeji, G. A. Taiwo, y D. A. Adenusi, “Unveiling the footprints of eXplainable AI in Industry
4.0/5.0: a systematic review and bibliometric exploration”, Data Sci. Manag., ago. 2025, doi:
10.1016/j.dsm.2025.07.002.
[36] E. Gursel et al., “The role of AI in detecting and mitigating human errors in safety-critical industries:
A review”, Reliab. Eng. Syst. Saf., vol. 256, p. 110682, abr. 2025, doi: 10.1016/j.ress.2024.110682.
[37] D. Kampelopoulos, A. Tsanousa, S. Vrochidis, y I. Kompatsiaris, “A review of LLMs and their
applications in the architecture, engineering and construction industry”, Artif. Intell. Rev., vol. 58, n. 8,
may. 2025, doi: 10.1007/s10462-025-11241-7.
[38] P. Burggräf, J. Wagner, T. Saßmannshausen, T. Weißer, y O. Radisic-Aberger, “AI-artifacts in
engineering change management – a systematic literature review”, Res. Eng. Des., vol. 35, n. 2, pp. 215–
237, ene. 2024, doi: 10.1007/s00163-023-00430-6.
[39] Z. Jan et al., “Artificial intelligence for industry 4.0: Systematic review of applications, challenges, and
opportunities”, Expert Syst. Appl., vol. 216, p. 119456, abr. 2023, doi: 10.1016/j.eswa.2022.119456.
[40] A. Abdessadak, H. Ghennioui, N. Thirion-Moreau, B. Elbhiri, M. Abraim, y S. Merzouk, “Digital twin
technology and artificial intelligence in energy transition: A comprehensive systematic review of
applications”, Energy Reports, vol. 13, pp. 5196–5218, jun. 2025, doi: 10.1016/j.egyr.2025.04.060.
[41] Z. Chen, “Ethics and discrimination in artificial intelligence-enabled recruitment practices”, Humanit.
Soc. Sci. Commun., vol. 10, n. 1, p. 567, sep. 2023, doi: 10.1057/s41599-023-02079-x.
Novasinergia 2026 9(1), 21-40 40
[42] N. K. Corrêa et al., “Worldwide AI ethics: A review of 200 guidelines and recommendations for AI
governance”, Patterns, vol. 4, n. 10, p. 100857, oct. 2023, doi: 10.1016/j.patter.2023.100857.
[43] J. Soldatos, Ed., Artificial Intelligence in Manufacturing: Enabling Intelligent, Flexible and Cost-Effective
Production Through AI. Cham: Springer Cham, 2024. doi: 10.1007/978-3-031-46452-2.
[44] A. Puthanveettil Madathil, X. Luo, Q. Liu, C. Walker, R. Madarkar, y Y. Qin, “A review of explainable
artificial intelligence in smart manufacturing”, Int. J. Prod. Res., pp. 1–44, jun. 2025, doi:
10.1080/00207543.2025.2513574.
[45] B. Wang, F. Tao, X. Fang, C. Liu, Y. Liu, y T. Freiheit, “Smart Manufacturing and Intelligent
Manufacturing: A Comparative Review”, Engineering, vol. 7, n. 6, pp. 738–757, jun. 2021, doi:
10.1016/j.eng.2020.07.017.
[46] A. El Jaouhari, A. Samadhiya, A. Kumar, y S. Luthra, “Integrating generative artificial intelligence into
green logistics: A systematic review and policy-oriented research agenda”, J. Clean. Prod., vol. 519, p.
146018, ago. 2025, doi: 10.1016/j.jclepro.2025.146018.
[47] P. Onu et al., “Integration of AI and IoT in Smart Manufacturing: Exploring Technological, Ethical,
and Legal Frontiers”, Procedia Comput. Sci., vol. 253, pp. 654–660, 2025, doi: 10.1016/j.procs.2025.01.127.
[48] V. Bolón-Canedo, L. Morán-Fernández, B. Cancela, y A. Alonso-Betanzos, “A review of green artificial
intelligence: Towards a more sustainable future”, Neurocomputing, vol. 599, p. 128096, sep. 2024, doi:
10.1016/j.neucom.2024.128096.
[49] J. Yu, W. Xie, X. Zhao, Z. Li, y L. Guo, “Drivers of artificial intelligence innovation in manufacturing
clusters: insights from cellular automata simulations”, Humanit. Soc. Sci. Commun., vol. 12, n. 1, jul.
2025, doi: 10.1057/s41599-025-05386-7.
