INGENIERÍA DE SISTEMAS DE PROCESOS E INTELIGENCIA ARTIFICIAL: CUANDO LA TECNOLOGÍA AMPLÍA LA INTELIGENCIA HUMANA

Juan Gabriel Segovia-Hernández, Enrique Cossío-Vargas, Salvador Hernández

Resumen


Este trabajo analiza de manera crítica y estructurada la convergencia entre la Ingeniería de Sistemas de Procesos (PSE) y la Inteligencia Artificial (IA), destacando no solo sus aplicaciones, sino su integración metodológica dentro de marcos formales de modelado, optimización y control. A diferencia de enfoques generales que presentan la IA como una herramienta aislada, el artículo muestra cómo su incorporación modifica la formulación y resolución de problemas clásicos de PSE, incluyendo superestructuras de proceso, optimización multiobjetivo, modelos subrogados, control predictivo y análisis bajo incertidumbre. Se presentan ejemplos en energía y descarbonización, industria química y de materiales, economía circular y gemelos digitales, detallando en cada caso el tipo específico de herramienta de IA empleada (modelado basado en datos, modelos híbridos, aprendizaje activo, control adaptativo) y las decisiones ingenieriles que apoyan, tales como selección tecnológica, diseño conceptual, definición de condiciones operativas y estrategias de mantenimiento predictivo. El trabajo también aborda retos fundamentales para la consolidación de esta convergencia, incluyendo la calidad y trazabilidad de datos, la interpretabilidad de modelos, la capacidad de extrapolación, las garantías físicas de las predicciones y la integración efectiva con solvers de optimización. Se distingue entre desafíos metodológicos generales del campo y aquellos dependientes del contexto industrial o académico. Se concluye que la IA no sustituye los fundamentos físico-matemáticos de la PSE, sino que amplía su alcance al permitir abordar problemas de mayor dimensión, no linealidad e incertidumbre, constituyendo una pieza clave para el desarrollo de sistemas industriales más resilientes, eficientes y sostenibles.

Texto completo:

PDF

Referencias


Ajagekar, A., Decardi-Nelson, B., Shang, C., y You, F. (2025). Computer-aided molecular design by aligning generative diffusion models: perspectives and challenges. Comput. Chem. Eng., 108989. https://doi.org/10.1016/j.compchemeng.2024.108989

Arunthavanathan, R., Sajid, Z., Amin, M T, Tian, Y., Khan, F., y Pistikopoulos, E N. (2024a). Process safety 4.0: Artificial intelligence or intelligence augmentation for safer Process operation? AIChE J. 70 (7), e18475. https://doi.org/10.1002/aic.18475

Arunthavanathan, R., Sajid, Z., Khan, F., y Pistikopoulos, E N. (2024b). Artificial intelligence-Human intelligence conflict and its impact on process system safety. Dig. Chem. Eng. 11, 100151. https://doi.org/10.1016/j.dche.2024.100151

Bao, Z., Bufton, J., Hickman, R.J., Aspuru-Guzik, A., Bannigan, P., y Allen, C. (2023). Revolutionizing drug formulation development: the increasing impact of machine learning. Adv. Drug Deliv. Rev. 202, 115108.

Baratsas, S., Iseri, F., y Pistikopoulos, E N. (2024). A hybrid statistical and machine learning based forecasting framework for the energy sector. Comput. Chem. Eng. 188, 108740. https://doi.org/10.1016/j.addr.2023.115108

Chowdhury, S., Ghosh, A., Acharya, S., Saha, S., Pal, P. K., Roy, S., y Lahiri, S. K. (2026). Transforming chemical process engineering: The role of AI and machine learning in revolutionizing process systems. The Canadian Journal of Chemical Engineering, 104(2), 699-731. https://doi.org/10.1002/cjce.70032

Gaddem, M R, Kim, J., Matsunami, K., Hayashi, Y., Badr, S., y Sugiyama, H. (2024). Roles of mechanistic, data-driven, and hybrid modeling approaches for pharmaceutical process design and operation. Current Opinion In Chemical Engineering, 44, 101019. https://doi.org/10.1016/j.coche.2024.101019

Gani, R., Chen, X., Eden, M R, Mansouri, S S, Martin, M., Mujtaba, I M, Padungwatanaroj, O., Roh, K., Ricardez-Sandoval, L., Sugiyama, H., Zhao, J., y Zondervan, E. (2022). Challenges and opportunities for process systems engineering in a changed world. En Computer-aided chemical engineering/Computer aided chemical engineering (pp. 7-20). https://doi.org/10.1016/b978-0-323-85159-6.50002-6

Rupprecht, S., Gao, Q., Karia, T., y Schweidtmann, A. M. (2026). Multi-agent systems for chemical engineering: A review and perspective. Current Opinion in Chemical Engineering, 51, 101209. https://doi.org/10.1016/j.coche.2025.101209


Enlaces refback

  • No hay ningún enlace refback.


Naturaleza y Tecnología, revista electrónica de la División de Ciencias Naturales y Exactas del campus Guanajuato, Universidad de Guanajuato. En ella se reciben para su revisión y arbitraje, artículos originales de investigación, artículos de revisión sobre temas actuales de investigación, así como ensayos sobre diversas temáticas del mundo científico y académico en las áreas de la química, matemáticas, ingeniería, astronomía, biología y farmacia, dentro del ámbito que comprenden las ciencias naturales y exactas, siendo requerido que no hayan sido publicadas o en proceso de publicación en otras revistas. Cuenta también con un Facebook de notas científicas de actualidad como apoyo a la actividad académica de la comunidad universitaria y para conocimiento del público en general como parte de un programa de divulgación científica y tecnológica.

.