Juan Carlos González Islas

The deterioration of mirror coatings in aggressive environments is one of the main causes of staining, which is a manifestation of corrosion. Electrochemical Impedance Spectroscopy (EIS) allows the electrochemical behavior of these coatings to be evaluated. However, an issue with ANNs is that to perform predictions with high accuracy, it is necessary to adjust their parameters using a large amount of samples. Depending on the ANN architecture, the requirement can range from hundreds to thousands of data points. This is a problem in many real cases, since measurements are expensive in terms of time and resources. In this study, we use a Transfer Learning approach. First, we generate and use synthetic data to train a neural network; then, real data are used to fine-tune the model. The results show that the ANN can identify patterns of coating deterioration with high accuracy and provides an effective mechanism for early performance evaluation. A high accuracy of 0.98 is achieved in the advanced stage, which means that the ANN detects severely damaged protective coatings. For the initial stage, an accuracy of 0.71 and a recall of 0.56 are obtained, indicating that the model has significant difficulty detecting initial damage due to very subtle changes, in the low signal versus noise ratio and the behavior of the protective coatings’ properties when they are close to their intact state.

Machine learning-based predictive maintenance systems have demonstrated their reliability, operational efficiency, and usefulness for informed decision-making. In this work, we evaluate the performance of various supervised machine learning algorithms to predict failures in industrial machinery, using sensor data. Two analysis approaches are applied: one without feature selection and another using the Neighborhood Component Analysis (NCA) method to reduce dimensionality and highlight the most relevant variables for classification. Discriminant Analysis (DA) model achieved the best overall performance, with superior precision, accuracy, and sensitivity metrics in both approaches. Feature selection using NCA improves the efficiency of several models, especially KNN and Linear Classifier, reducing complexity without compromising accuracy. This work demonstrates the potential of machine learning models for implementation in predictive maintenance industrial environments.

This research focuses on analysing the experiences of visitors to Alameda Central during the Easter period in order to examine the degree of personalisation of the tourist experience. To this end, the study adopts a quantitative research paradigm and a non-experimental, cross-sectional design, and applies machine learning (ML) clustering algorithms. The main conclusions suggest that ML can function as a clustering tool through which visitors are grouped according to behavioural patterns, thereby potentially informing decision-making processes. Smart citations: https://scite.ai/reports/10.61467/2007.1558.2025.v16i4.803 Dimensions.Open Alex.

This article presents a comparative analysis of machine learning (ML) models applied to machine fault classification, using the AI4I 2020 dataset. The performance of five algorithms (random forest, decision tree (J48), artificial neural networks (ANN), k-nearest neighbors (KNN), and Naive Bayes) is evaluated in six different data scenarios: synthetic minority oversampling (SMOTE) technique, undersampling, and original imbalanced distribution in the complete feature set and in the feature selection set. In addition, the impact of feature selection techniques on predictive power is evaluated. The goal is to identify the optimal predictive model and compare the performance of these approaches to determine the advantages of feature reduction and data balancing strategies. To ensure robust validation, the models are analyzed using precision, recall, specificity, accuracy, and F1 score. The main conclusions obtained demonstrate that it is possible to build reliable models capable of maximizing fault detection and minimizing false alarms, which is vital for predictive maintenance systems in industries where accuracy is critical.

En el contexto del creciente uso de tecnologías inmersivas en ambientes educativos, este estudio presenta la Metodología para el Desarrollo de Entornos Educativos en Realidad Extendida (MEDEERX). La MEDEERX es una actualización integral de la Metodología para el Desarrollo de Entornos Educativos en Realidad Extendida (MEDEERV), orientada al desarrollo de entornos educativos en Realidad Extendida (XR). El objetivo de este trabajo es la propuesta de un marco estructurado y flexible que integra principios de diseño instruccional, prácticas de ingeniería de software y técnicas de evaluación centradas en el usuario, con el fin de mejorar la calidad pedagógica, la accesibilidad y la motivación en espacios virtuales de aprendizaje. MEDEERX se organiza en cinco fases adaptables: diseño instruccional, diseño funcional, implementación, evaluación de la experiencia del usuario y mantenimiento. Incorpora un modelo ADDIE modificado para contextos XR, sustentado en teorías constructivistas y estrategias de gamificación que potencian la motivación y retención estudiantil. Con un diseño técnico basado en diagramas UML y estándares de usabilidad, MEDEERX garantiza arquitecturas robustas e interfaces inclusivas, promoviendo la mejora continua y la sostenibilidad de los entornos educativos.

Los Proveedores de Servicios de Internet (ISP por sus siglas en inglés) dependen de infraestructuras de enrutadores eficientes y confiables para garantizar el rendimiento de la red y la satisfacción de los clientes. Sin embargo, los enfoques tradicionales de monitoreo suelen carecer de mecanismos de detección de anomalías en tiempo real que permitan la identificación temprana de enrutadores con problemas. Este trabajo presenta el diseño e implementación de un programa de monitoreo enfocado en enrutadores MikroTik®, ampliamente utilizados en entornos ISP debido a su flexibilidad y relación costo-beneficio. El sistema propuesto integra la recolección automatizada de datos, la evaluación del estado y técnicas de detección de anomalías para identificar comportamientos irregulares en los enrutadores, tales como caídas inesperadas, desviaciones de tráfico o inconsistencias en la configuración. Mediante el uso de scripts ligeros y protocolos de comunicación soportados por dispositivos MikroTik®, la solución asegura un consumo mínimo de recursos y una alta escalabilidad para redes de distintos tamaños. Las pruebas experimentales en un entorno simulado de ISP demostraron la efectividad del programa en la detección de anomalías y la reducción del tiempo de diagnóstico en comparación con la supervisión manual. Los resultados sugieren que esta herramienta puede mejorar la eficiencia operativa y las estrategias de mantenimiento proactivo en redes ISP. Como trabajo futuro se plantea la integración de modelos de aprendizaje automático para fortalecer las capacidades predictivas y ampliar la compatibilidad con ecosistemas de enrutadores multi proveedor.

El sistema de posicionamiento global (GPS) de alta precisión constituye una herramienta fundamental para la localización de vehículos terrestres y aéreos, así como para el rastreo de personas. Actualmente, su uso se ha extendido significativamente tanto en aplicaciones militares como civiles, siendo estas últimas las que presentan una mayor adopción. En el mercado existe una amplia diversidad de dispositivos que integran esta tecnología, lo que ha facilitado su implementación en múltiples contextos. En el presente trabajo se propone el desarrollo de un sistema de geolocalización en tiempo real basado en tecnología GPS, utilizando la placa de desarrollo LILYGO TTGO SIM7600G-H. La solución incluye una aplicación que permite el control remoto tipo on-off mediante el uso de pines digitales, así como la lectura del estado de sensores analógicos. La comunicación entre el usuario y el dispositivo se realiza a través de mensajes de texto enviados desde un teléfono móvil, lo que además posibilita la visualización de la ubicación del dispositivo mediante la plataforma Google Maps.

Hoy en día, la enseñanza de la asignatura de Historia enfrenta una serie de dificultades que limitan el interés y la participación activa del alumnado. Muchos estudiantes perciben esta asignatura como repetitiva, centrada en la memorización de datos y con poca relación con la vida cotidiana. Esto provoca una gran desmotivación y una comprensión superficial de los hechos históricos, lo cual afecta directamente la calidad del aprendizaje. Por tanto, en la educación moderna es necesario reconsiderar las formas en que se enseña la Historia en las escuelas, buscando diferentes alternativas que despierten la curiosidad, fomenten la reflexión y hagan del aprendizaje una experiencia más cercana y significativa. Una de estas alternativas es el uso de los videojuegos como herramientas pedagógicas, ya que permite que los estudiantes se involucren de manera activa y aprendan a través de la interacción y el descubrimiento. En este artículo, se presenta el desarrollo de una aplicación educativa enfocada en alumnos de educación básica. El proyecto está diseñado específicamente para apoyar y mejorar el aprendizaje de la Historia utilizando la técnica del Aprendizaje Basado en Juegos haciendo uso MEDEERV.

Este estudio expone la creación, programación y gestión de un robot móvil omnidireccional de tres ruedas con una base hexagonal, creado como un soporte experimental para la investigación en cinemática y control de trayectoria. Una unidad ESP32 gestiona el sistema, recibiendo referencias de velocidad producidas en un ambiente de programación en Python y transmitiéndolas a través de comunicación sin cables. La regulación de la velocidad de cada motor se lleva a cabo a través de la retroalimentación de los encoders y un algoritmo PID, mientras que el monitoreo de rutas se verifica a través de pruebas con rutas preestablecidas. Los resultados experimentales demuestran un desempeño estable y preciso en la ejecución de trayectorias, confirmando la efectividad de la metodología propuesta. El sistema propuesto ofrece una plataforma de bajo costo y reproducible para la investigación y la enseñanza en robótica móvil.

Este artículo presenta la implementación digital de un par de neuronas Hindmarsh-Rose (HR) en un microcontrolador de bajo costo. Se eligió el modelo HR porque puede reproducir la mayoría de los comportamientos observados en una neurona biológica aislada. Las neuronas están acopladas en una configuración bidireccional y la corriente sináptica correspondiente de cada neurona está diseñada estratégicamente de tal manera que, en ausencia de obstáculos, estas corrientes son idénticas y las neuronas logran la sincronización. Por el contrario, cuando hay un obstáculo, las corrientes sinápticas se vuelven diferentes y las neuronas pierden la sincronía. En este trabajo, esta estrategia se implementa mediante hilos de programación para la lectura paralela de sensores y métodos numéricos para la solución de ecuaciones diferenciales requeridas en el modelo matemático, con una aplicación a la prevención de colisiones en robótica móvil. Específicamente, demostramos que cuando las neuronas están sincronizadas, el robot se mueve en línea recta, pero cuando aparece un obstáculo, se pierde la sincronía en las neuronas, lo que resulta en que una de las ruedas gire más rápido que la otra para evitar la colisión. Los resultados experimentales obtenidos muestran que la estrategia de evitación de colisiones propuesta puede ser útil en un escenario del mundo real.