Modelación de la vida útil de los materiales mediante la metodología de superficie de respuesta y redes neuronales artificiales

Juan Luis Fernandez Delgadillo; Joselito Medina Marín; Irving Barragan Vite; Norberto Hernández Romero; Juan Carlos Seck Tuoh Mora

Autores/as

Juan Luis Fernandez Delgadillo Universidad Autónoma del Estado de Hidalgo https://orcid.org/0009-0008-2271-6196
Joselito Medina Marín Universidad Autónoma del Estado de Hidalgo ,Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0003-0937-8707
Irving Barragan Vite Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0002-3625-6943
Norberto Hernández Romero Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0001-9942-306X
Juan Carlos Seck Tuoh Mora Universidad Autónoma del Estado de Hidalgo ,Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0003-3678-1120

Palabras clave:

Predicción, Vida útil, Redes neuronales artificiales, Superficie de respuesta, Estadísticas

Resumen

La predicción de la vida útil de los materiales representa un rasgo fundamental que permite optimizar la eficiencia operativa, disminución de costos y la inexistencia de fallos inesperados en los procesos industriales. En el estudio de esta investigación se lleva a cabo una comparación entre dos enfoques predictivos: la RSM (metodología de superficie de respuesta) y las RNA (redes neuronales artificiales), con el objetivo de determinar cuál de ellas ofrece un rendimiento más confiable al predecir la vida útil de los materiales, para la cual se hizo uso de una base de datos pública que recopila información que contiene las variables y defectos estructurales de los materiales. Ambas metodologías fueron ejecutadas valiéndose de métricas estadísticas, los resultados muestran que el modelo basado en RNA superó de manera notable al modelo RSM presentando mayor capacidad de precisión. En síntesis, las redes neuronales artificiales producirán la opción más eficiente a la hora de predecir la vida útil de los materiales industriales.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Acosta González, D. (2023). Predicción de la vida útil remanente de la batería de un vehículo de movilidad sostenible. Universidad de Antioquia. Disponible en: [https://hdl.handle.net/10495/37623](https://hdl.handle.net/10495/37623)

Alardhi, S. M., Salman, A. D., Breig, S. J. M., Jaber, A. A., Fiyadh, S. S., AlJaberi, F. Y., Nguyen, D. D., Van, B., & Le, P. (2024). Artificial neural network and response surface methodology for modeling reverse osmosis process in wastewater treatment. *Journal of Industrial and Engineering Chemistry, 133*, 599–613. [https://doi.org/10.1016/j.jiec.2024.02.039](https://doi.org/10.1016/j.jiec.2024.02.039)

Entezari, A., Aslani, A., Zahedi, R., & Noorollahi, Y. (2022). Artificial intelligence and machine learning in energy systems: A bibliographic perspective. *Energy Strategy Reviews, 45*, 101017. [https://doi.org/10.1016/j.esr.2022.101017](https://doi.org/10.1016/j.esr.2022.101017)

Ferreira, C., & Gonçalves, G. (2022). Remaining Useful Life prediction and challenges: A literature review on the use of Machine Learning Methods. *Journal of Manufacturing Systems, 63*, 550–562. [https://doi.org/10.1016/j.jmsy.2022.05.010](https://doi.org/10.1016/j.jmsy.2022.05.010)

Kang, Z., Catal, C., & Tekinerdogan, B. (2021). Remaining Useful Life (RUL) Prediction of Equipment in Production Lines Using Artificial Neural Networks. *Sensors, 21*(3), 932. [https://doi.org/10.3390/s21030932](https://doi.org/10.3390/s21030932)

Khoshraftar, Z. (2025). Modeling of CO2 solubility and partial pressure in blended diisopropanolamine and 2-amino-2-methylpropanol solutions via response surface methodology and artificial neural network. *Scientific Reports, 15*, 1800. [https://doi.org/10.1038/s41598-025-86144-2](https://doi.org/10.1038/s41598-025-86144-2)

Lee, T., & Singh, V. P. (2023). Deep learning: Long short-term memory in hydrological time series. En *Elsevier eBooks* (pp. 49–67). [https://doi.org/10.1016/B978-0-12-821961-4.00022-1](https://doi.org/10.1016/B978-0-12-821961-4.00022-1)

Li, P., Zhang, Z., Grosu, R., Deng, Z., Hou, J., Rong, Y., & Wu, R. (2021). An end-to-end neural network framework for state-of-health estimation and remaining useful life prediction of electric vehicle lithium batteries. *Renewable and Sustainable Energy Reviews, 156*, 111843. [https://doi.org/10.1016/j.rser.2021.111843](https://doi.org/10.1016/j.rser.2021.111843)

Muhammad, G., Ngatcha, A. D. P., Lv, Y., Xiong, W., El-Badry, Y. A., Asmatulu, E., Xu, J., & Alam, M. A. (2022). Enhanced biodiesel production from wet microalgae biomass optimized via response surface methodology and artificial neural network. *Renewable Energy, 184*, 753–764. [https://doi.org/10.1016/j.renene.2021.11.091](https://doi.org/10.1016/j.renene.2021.11.091)

Najjar, I., Sadoun, A., Elaziz, M. A., Abdallah, A., Fathy, A., & Elsheikh, A. H. (2022). Predicting kerf quality characteristics in laser cutting of basalt fibers reinforced polymer composites using neural network and chimp optimization. *Alexandria Engineering Journal, 61*(12), 11005–11018. [https://doi.org/10.1016/j.aej.2022.04.032](https://doi.org/10.1016/j.aej.2022.04.032)

Psarommatis, F., Sousa, J., Mendonça, J. P., & Kiritsis, D. (2021). Zero-defect manufacturing: The approach for higher manufacturing sustainability in the era of Industry 4.0: A position paper. *International Journal of Production Research, 60*(1), 73–91. [https://doi.org/10.1080/00207543.2021.1987551](https://doi.org/10.1080/00207543.2021.1987551)

Qamar, R., & Zardari, B. A. (2023). Artificial Neural Networks: An Overview. *Mesopotamian Journal of Computer Science*, 130–139. [https://doi.org/10.58496/mjcsc/2023/015](https://doi.org/10.58496/mjcsc/2023/015)

Ray, S., Haque, M., Ahmed, T., & Nahin, T. T. (2021). Comparison of artificial neural network (ANN) and response surface methodology (RSM) in predicting the compressive and splitting tensile strength of concrete prepared with glass waste and tin (Sn) can fiber. *Journal of King Saud University - Engineering Sciences, 35*(3), 185–199. [https://doi.org/10.1016/j.jksues.2021.03.006](https://doi.org/10.1016/j.jksues.2021.03.006)

Raza Owner, A. (s. f.). *Material Lifespan Prediction Dataset*. Kaggle. Recuperado el 25 de marzo de 2026, de [https://www.kaggle.com/datasets/aounraza/material-lifespan-prediction-dataset/data](https://www.kaggle.com/datasets/aounraza/material-lifespan-prediction-dataset/data)

Rodríguez-Medina, M. A., Martínez, G. G., Ríos, E. B. H., & Ojinaga, E. R. P. (2025). Optimización robusta e ingeniería predictiva vs. arreglos ortogonales, metodología de superficie de respuesta, diseño central compuesto y respuesta dual: Caso comparativo. *RIDE Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 16*(31). [https://doi.org/10.23913/ride.v16i31.2519](https://doi.org/10.23913/ride.v16i31.2519)

Rousselet, G., Pernet, C. R., & Wilcox, R. R. (2023). An introduction to the bootstrap: A versatile method to make inferences by using data-driven simulations. *Meta-Psychology, 7*. [https://doi.org/10.15626/mp.2019.2058](https://doi.org/10.15626/mp.2019.2058)

Saber, W. I. A., Ghoniem, A. A., Al-Otibi, F. O., El-Hersh, M. S., Eldadamony, N. M., Menaa, F., & Elattar, K. M. (2023). A comparative study using response surface methodology and artificial neural network towards optimized production of melanin by *Aureobasidium pullulans* AKW. *Scientific Reports, 13*(1). [https://doi.org/10.1038/s41598-023-40549-z](https://doi.org/10.1038/s41598-023-40549-z)

She, D., & Jia, M. (2020). A BiGRU method for remaining useful life prediction of machinery. *Measurement, 167*, 108277. [https://doi.org/10.1016/j.measurement.2020.108277](https://doi.org/10.1016/j.measurement.2020.108277)

Shi, Z., & Chehade, A. (2020). A dual-LSTM framework combining change point detection and remaining useful life prediction. *Reliability Engineering & System Safety, 205*, 107257. [https://doi.org/10.1016/j.ress.2020.107257](https://doi.org/10.1016/j.ress.2020.107257)

Shokri, A., & Ghaemi, A. (2024). Developing artificial neural networks and response surface methodology for evaluating CO2 absorption into K2CO3/piperazine solution. *Case Studies in Chemical and Environmental Engineering, 9*, 100725. [https://doi.org/10.1016/j.cscee.2024.100725](https://doi.org/10.1016/j.cscee.2024.100725)

Vázquez-Flores, R. C. (2024). *Estimación del tiempo de vida de una turbina a través de redes neuronales y árboles de decisión* (Trabajo de obtención de grado, Maestría en Ciencia de Datos). ITESO. [https://hdl.handle.net/11117/10859](https://hdl.handle.net/11117/10859)

Velázquez-de-Lucio, B. S., Álvarez-Cervantes, J., Serna-Díaz, M. G., Hernández-Domínguez, E. M., & Medina-Marín, J. (2023). Implementación de la metodología de superficie de respuesta y redes neuronales artificiales para determinar las mejores condiciones de germinación de *Lycopersicon esculentum* según su desarrollo fenológico en invernadero. *Agriculture, 13*(12), 2175. [https://doi.org/10.3390/agriculture13122175](https://doi.org/10.3390/agriculture13122175)

Zhang, Z., Song, W., & Li, Q. (2022). Dual-Aspect Self-Attention Based on Transformer for Remaining Useful Life Prediction. *IEEE Transactions on Instrumentation and Measurement, 71*, 1–11. [https://doi.org/10.1109/TIM.2022.3160561](https://doi.org/10.1109/TIM.2022.3160561)