Inteligencia artificial e ingeniería mecánica: Revisión bibliométrica sobre tendencias de investigación, aplicaciones industriales y perspectivas futuras
DOI:
https://doi.org/10.37135/ns.01.17.02Palabras clave:
Industria, Ingeniería Mecánica, Inteligencia Artificial, Manufactura inteligente, Revisión bibliométricaResumen
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.
Descargas
Referencias
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.
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.
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.
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.
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.
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.
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.
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.
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.
L. Regenwetter, A. H. Nobari, y F. Ahmed, “Deep Generative Models in Engineering Design: A Review”, arXiv, 2021, doi: 10.48550/arXiv.2110.10863.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
