La inteligencia artificial sobre la ingeniería de superficies
DOI:
https://doi.org/10.46842/ipn.cien.v30n2a05Palabras clave:
Redes Neuronales Convolucionales, Caracterización de Recubrimientos, Inteligencia Artificial en Ciencia de MaterialesResumen
La evaluación de recubrimientos superficiales es fundamental para garantizar la durabilidad y el rendimiento de componentes metálicos en aplicaciones industriales. Esta revisión examina el papel transformador de la inteligencia artificial, en particular de las Redes Neuronales Convolucionales (CNN) y los Transformers de Visión (ViT), en la automatización de la caracterización de recubrimientos. La integración de estas arquitecturas de aprendizaje profundo con el procesamiento digital de imágenes permite un análisis objetivo, rápido y reproducible, que supera la subjetividad y las limitaciones de tiempo de la evaluación manual tradicional. La convergencia de la visión por computadora, el aprendizaje automático y modelos predictivos de ingeniería de superficies abre la posibilidad de analizar simultáneamente defectos microestructurales, clasificar la calidad de adhesión y optimizar parámetros de proceso. Esto revoluciona el control de calidad en la industria de recubrimientos y facilita el desarrollo de materiales más fiables y de alto rendimiento.
Referencias
[1] Z. Chang, C. Wang, Q. Wang, X. Cheng, C. Wang, X. Liu, B. Wang, Y. Zhang, R. Wang, "High-precision identification and classification of alloy fatigue microcracks through deep learning and in-situ SEM," Computational Materials Science, vol. 252, p. 113795, 2025, doi: https://doi.org/10.1016/j.commatsci.2025.113795
[2] I. Azuri, I. Rosenhek-Goldian, N. Regev-Rudzki, G. Fantner, S. R. Cohen, "The role of convolutional neural networks in scanning probe microscopy: A review," Beilstein Journal of Nanotechnology, vol. 12, pp. 878-901, 2021, doi: https://doi.org/10.3762/bjnano.12.66
[3] S. H. Mokhlis, A. A. Alhomoud, R. I. Alshawi, S. K. Alhazzani, L. A. Alhazzaa, "A review of detecting and quantification of cracks using convolutional neural networks and image processing techniques," in Image Processing, Computer Vision, and Pattern Recognition and Information and Knowledge Engineering, L. Deligiannidis, F. Ghareh Mohammadi, F. Shenavarmasouleh, S. Amirian, and H. R. Arabnia, Eds., Springer, 2025, pp. 1-8, doi: https://doi.org/10.1007/978-3-031-85933-5_18
[4] I. Joshi, N. Deshmukh, P. Gurjar, R. Sreemathy, "A review on convolutional neural networks and vision transformers," in ICT Systems and Sustainability. ICT4SD 2024, vol. 1159, M. Tuba, S. Akashe, and A. Joshi, Eds., Springer, 2025, doi: https://doi.org/10.1007/978-981-97-8526-1_11
[5] L. Zhao, Y. Wang, F. Bu, P. Wang, L. Tian, C. Liu, "Corrosion damage detection and evaluation of coated steel components under multiple illumination conditions," Measurement, vol. 250, p. 117179, 2025, doi: https://doi.org/10.1016/j.measurement.2025.117179
[6] P. A. Dearnley, A. Matthews, and A. Leyland, "Tribological behaviour of thermochemical surface engineered steels," in Thermochemical Surface Engineering of Steels, 2ª ed., E. J. Mittemeijer, M. A. J. Somers, Eds., Woodhead Publishing, 2026, pp. 257-283, doi: https://doi.org/10.1016/B978-0-12-820587-7.00005-X
[7] N. López-Perrusquia, M. A. Doñu-Ruiz, F. Vasquez, O. Trujillo-Alfaro, Y. E. Vargas-Oliva, "Study of adhesion in steels surface hardened," Advanced Materials Research, vol. 535-537, pp. 513-516, 2012, doi: https://doi.org/10.4028/www.scientific.net/amr.535-537.513
[8] VDI, Testing of the adhesion of hard coatings; Rockwell C indentation test; Classification of damage patterns (VDI 3198), Beuth Verlag.
[9] B. Lenz, H. Hasselbruch, A. Mehner, "Automated evaluation of Rockwell adhesion tests for PVD coatings using convolutional neural networks," Surface and Coatings Technology, vol. 385, p. 125365, 2020, doi: https://doi.org/10.1016/j.surfcoat.2020.125365
[10] K. Genel, I. Ozbek, A. Kurt, C. Bindal, "Boronizing response of AISI W1 steel and use of artificial neural network for prediction of borided layer properties," Surface and Coatings Technology, vol. 160, no. 1, pp. 38-43, 2002, doi: https://doi.org/10.1016/S0257-8972(02)00400-0
[11] O. D. Gonzalez Arias, M. A. Donu Ruiz, J. V. Cortes Suarez, C. R. Torres San Miguel, D. Sánchez Huitron, T. de la Mora Ramírez, N. López Perrusquia, "Flaw detection on surface-treated steels using convolutional neural networks (CNN)," Microscopy and Microanalysis, vol. 30, no. Suppl. 1, pp. 450-451, 2024, doi: https://doi.org/10.1093/mam/ozae044.209
[12] B. Mebarek, M. Keddam, "A fuzzy neural network approach for modeling the growth kinetics of FeB and Fe2B layers during the boronizing process," Matériaux & Techniques, vol. 106, no. 6, p. 603, 2019, doi: https://doi.org/10.1051/mattech/2019002
[13] J. Maurício, I. Domingues, J. Bernardino, "Comparing vision transformers and convolutional neural networks for image classification: A literature review," Applied Sciences, vol. 13, no. 9, p. 5521, 2023, doi: https://doi.org/10.3390/app13095521
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Alma Alejandra Luna Gómez, Ashley Abril García Garfias, Juan Román Álvarez Meneses, Ernesto David García Bustos, Marco Antonio Doñu Ruiz, Noé López Perrusquia (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
