El propósito de esta investigación es determinar si las mezclas de cemento de bajo carbono producidas con puzolanas naturales de Ecuador, como la ceniza volcánica y la arcilla calcinada, constituyen una opción técnica y ecológicamente eficiente en comparación al cemento Portland tradicional. Se usó la metodología PRISMA 2020, haciendo uso de bases de datos como Scopus, ScienceDirect, SpringerLink y Google Scholar, además de un análisis bibliométrico a través de VOSviewer. Se revisaron 43 publicaciones que abarcan investigaciones globales, sudamericanas y ecuatorianas, comprendidas desde el 2017 hasta el 2025, tomando en cuenta elementos de microestructura, características mecánicas, transmisión de cloruros, carbonatación, reología e influencia en el medio ambiente. Los hallazgos mostraron que el sistema de cemento de arcilla calcinada con piedra caliza (LC3 50%) logra resistencias que superan los 40 MPa, disminuye efectivamente la porosidad hasta un 28% y reduce la dispersión de cloruros en más del 50%. Se observó un aumento en la carbonatación natural, no se comprometió la durabilidad en ambientes húmedos. A nivel ambiental, estudios globales reportaron reducciones de emisiones de CO₂ entre 30 % y 45 %, aunque en Ecuador aún no se cuenta con análisis locales detallados. El estudio concluye que el LC3-50 es una alternativa técnicamente viable, sostenible y adaptada a las condiciones del país. El hallazgo más relevante es que, pese a la falta de datos locales, la evidencia internacional respalda el uso del LC3 como una herramienta clave para avanzar hacia una construcción más resiliente y de bajo impacto ambiental en Ecuador.
Las pruebas de normalidad son consideradas como el punto de partida para la estadística paramétrica; sin embargo, es importante comprender el comportamiento de los estadísticos y el valor de p para tomar decisiones significativas. El objetivo de la investigación fue diseñar un modelo matemático que permita identificar patrones o tendencias existentes entre el estadístico y el valor de p. La metodología utilizada consistió en aplicar las pruebas de normalidad univariadas más comunes a variables como la precipitación, crudo y temperatura, mediante un análisis de submuestras según las características de cada prueba. Cada submuestra proporcionó el valor del estadístico y el valor de p, los cuales fueron procesados mediante modelos de regresión clásicos como primera aproximación: lineal, polinomial de grado 2 y 3, exponencial y logarítmica. La validación de los modelos se realizó mediante el coeficiente de determinación (R2), con valores de R2 más altos: en la prueba KS, para la variable crudo (R2 = 0,9784); en la prueba AD, para la variable precipitación (R2 = 1); en la prueba JB, para la variable temperatura (R2 = 0,8902); en la prueba CvM, para la variable temperatura (R2 = 1); en la prueba M.KS, para la variable temperatura (R2 = 0,936); en la prueba P 𝛘², para la variable precipitación (R2 = 0,3798); en la prueba SF, para la variable temperatura (R2 = 0,6019); y en la prueba SW, para la variable crudo (R2 = 0,3712). Realizar este tipo de análisis preliminar permite a los investigadores tomar decisiones más efectivas y óptimas al momento de comprobar el supuesto de la normalidad univariadas en un conjunto de datos.
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.
El desarrollo de tecnologías avanzadas en salud es una de las áreas más apasionantes y desafiantes del siglo XXI. La aplicación del aprendizaje profundo para el diagnóstico médico representa un avance significativo en la capacidad de los sistemas automatizados para asistir a los profesionales en la toma de decisiones. Este trabajo presenta una aplicación web para la detección temprana de cáncer de piel mediante redes neuronales convolucionales, específicamente ResNet; la misma permite la detección automática de ocho tipos de cáncer de piel: Melanoma, Nevo melanocítico, Carcinoma de células basales, Queratosis actínica, Dermatofibroma, Carcinoma de células escamosas, Lesión vascular y Queratosis seborreica. La metodología CRISP-DM utilizada en este estudio incluye el preprocesamiento de datos utilizando TensorFlow y la evaluación del desempeño del modelo mediante métricas como: precisión, sensibilidad, pérdida promedio y mAP (mean Average Precision). Se trabaja con un conjunto de datos de 25,331 imágenes, divididas en 20,265 para entrenamiento y 5,066 para prueba. Con los resultados de este trabajo se obtuvo, el 94% de precisión y 87% de sensibilidad. Se plantea como trabajo futuro la optimización del modelo y la exploración de su aplicación en otras patologías dermatológicas, con el objetivo de ampliar su utilidad en contextos clínicos asistidos por inteligencia artificial.
Este estudio tuvo como objetivo diseñar y simular una antena tipo transmitarray de doble banda para comunicaciones satelitales en las bandas de 20 GHz y 30 GHz, con el fin de mejorar el rendimiento de ganancia directiva y reducir los costos de fabricación. Se planteó la hipótesis de que una estructura de celda unitaria intercalada puede permitir la manipulación independiente de la fase en ambas bandas de frecuencia. Para validar esta hipótesis, se desarrolló un modelo de celda unitaria con múltiples capas utilizando el software HFSS. La celda se diseñó con ranuras cruzadas y elementos metálicos distribuidos estratégicamente sobre sustratos dieléctricos Arlon AD410. Se simularon distintos parámetros geométricos para obtener una variación de fase cercana a 360° con coeficientes de transmisión aceptables en ambas bandas. Los resultados evidenciaron un desacoplamiento funcional entre bandas y una ganancia máxima de 23.85 dB a 20 GHz y 15.42 dB a 30 GHz, con eficiencias respectivas de 38% y 18%. La arquitectura propuesta logró una disminución estructural del arreglo del 33% en comparación con un diseño monobanda, manteniendo la directividad y reduciendo las pérdidas por acoplamiento. Este hallazgo es significativo porque ofrece una solución compacta y económica frente a otras tecnologías más complejas como los arreglos en fase.
