https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
128
Artículo de revisión
Técnicas de inteligencia artificial aplicadas al control automático
de procesos industriales: Una revisión sistemática
Artificial intelligence techniques applied to automatic industrial process
control: A systematic review
Johana Beatriz Samaniego Palacios*
Escuela Superior Politécnica de Chimborazo
Riobamba - Ecuador
johana.samaniego@espoch.edu.ec
https://orcid.org/0000-0002-3432-2089
Juan Fernando Pérez Orellana
Universidad Politécnica Estatal del Carchi
Tulcán - Ecuador
juan.perez@upec.edu.ec
https://orcid.org/0009-0008-3070-2333
Wilian Andres Nuñez Yanez
Cooperativa de Ahorro y Crédito Educadores
de Chimborazo
Riobamba - Ecuador
andy_050113@hotmail.com
https://orcid.org/0009-0002-8089-7200
Byron Daniel Erazo Rodríguez
Escuela Superior Politécnica de Chimborazo
Riobamba - Ecuador
erazodaniel97@gmail.com
https://orcid.org/0009-0001-3339-9017
*Correspondencia:
johana.samaniego@espoch.edu.ec
Cómo citar este artículo:
Samaniego, J., Pérez, J., Nuñez, W., & Erazo,
B. (2026). Técnicas de inteligencia artificial
aplicadas al control automático de procesos
industriales: Una revisión sistemática.
Perspectivas Sociales y Administrativas, 4(2),
128-143. https://doi.org/10.61347/psa.v4i2.175
Recibido: 10 de junio de 2026
Aceptado: 13 de julio de 2026
Publicado: 20 de julio de 2026
Resumen: Las técnicas de inteligencia artificial (IA) han adquirido una relevancia
creciente en el control automático de procesos industriales, al complementar los
esquemas tradicionales y permitir una mayor adaptación frente a dinámicas no lineales,
retardos prolongados y condiciones operativas variables. El presente artículo tuvo como
objetivo analizar y sintetizar la evidencia científica disponible sobre la aplicación de
técnicas de inteligencia artificial en el control automático de procesos industriales
mediante una revisión sistemática desarrollada bajo la metodología PRISMA 2020. Se
realizó una búsqueda de literatura en bases de datos como Scopus, Web of Science, IEEE
Xplore, ScienceDirect, MDPI, SpringerLink y De Gruyter, identificándose inicialmente
120 registros. Tras el proceso de cribado y evaluación a texto completo, se seleccionaron
25 artículos de acceso abierto publicados en revistas con cuartil Scimago confirmado, de
los cuales 11 correspondieron a revistas Q1 y 14 a revistas Q2. Los resultados
evidenciaron que el aprendizaje por refuerzo presentó la mayor representación entre los
estudios incluidos, seguido del control predictivo basado en modelos con inteligencia
artificial y el control inteligente aplicado a la robótica industrial. Además, se identificaron
aplicaciones en lógica difusa, sensores virtuales, arquitecturas distribuidas y sistemas
energéticos inteligentes. Se concluye que la IA ofrece un potencial significativo para
mejorar la adaptabilidad, robustez y eficiencia de los sistemas de control industrial; sin
embargo, persisten desafíos relacionados con la interpretabilidad, validación en entornos
reales y seguridad de implementación.
Palabras clave: Aprendizaje por refuerzo, control automático, control predictivo,
Inteligencia Artificial, PRISMA, procesos industriales, revisión sistemática.
Abstract: Artificial intelligence (AI) techniques have gained increasing relevance in automatic
industrial process control by complementing traditional control schemes and enabling greater
adaptation to nonlinear dynamics, prolonged delays, and variable operating conditions. This
article aimed to analyze and synthesize the scientific evidence available on the application of
artificial intelligence techniques in automatic industrial process control through a systematic
review conducted under the PRISMA 2020 methodology. A literature search was performed in
databases such as Scopus, Web of Science, IEEE Xplore, ScienceDirect, MDPI, SpringerLink,
and De Gruyter, initially identifying 120 records. After the screening process and full-text
assessment, 25 open-access articles published in journals with confirmed Scimago quartiles were
selected, of which 11 corresponded to Q1 journals and 14 to Q2 journals. The results showed that
reinforcement learning had the highest representation among the included studies, followed by
model predictive control based on artificial intelligence and intelligent control applied to
industrial robotics. Additionally, applications were identified in fuzzy logic, virtual sensors,
distributed architectures, and intelligent energy systems. It is concluded that AI offers significant
potential to improve the adaptability, robustness, and efficiency of industrial control systems;
however, challenges remain regarding model interpretability, validation in real-world
environments, and implementation security.
Keywords: Artificial Intelligence, automatic control, industrial processes, predictive control,
PRISMA, reinforcement learning, systematic review.
Copyright: Derechos de autor 2026 Johana
Beatriz Samaniego Palacios, Juan Fernando
Pérez Orellana, Wilian Andres Nuñez
Yanez, Byron Daniel Erazo Rodríguez.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
129
1. Introducción
El control automático de procesos industriales ha experimentado una transformación significativa
durante la última década, debido a que las técnicas clásicas basadas en modelos matemáticos lineales
han comenzado a complementarse con enfoques sustentados en inteligencia artificial. Estas
metodologías permiten aprender y adaptarse a dinámicas no lineales, retardos prolongados e
incertidumbres propias de los procesos industriales reales (Wu et al., 2025).
Durante décadas, los controladores proporcional-integral-derivativos representaron el estándar
predominante en aplicaciones industriales; sin embargo, actualmente existe una tendencia hacia
arquitecturas avanzadas basadas en aprendizaje por refuerzo, control predictivo asistido por redes
neuronales, lógica difusa y sistemas neuro-difusos que permiten mejorar la capacidad adaptativa y
predictiva de los sistemas de control (Faria et al., 2022; Devarakonda et al., 2025; Yu et al., 2024).
En este contexto, el aprendizaje por refuerzo se ha consolidado como una de las técnicas de
inteligencia artificial con mayor potencial para el control automático de procesos, debido a que permite
que un agente aprenda políticas óptimas mediante la interacción con el sistema físico o con entornos
simulados, sin depender exclusivamente de un modelo matemático explícito (Devarakonda et al., 2025;
Shi et al., 2024).
Diversas investigaciones han demostrado su aplicabilidad en procesos químicos, energéticos y
manufactureros, donde contribuye a la optimización de variables operativas complejas y a la
adaptación dinámica frente a cambios en las condiciones de operación (Faridi et al., 2024; Soza & Prado,
2025). De manera complementaria, el control predictivo basado en modelos (MPC) ha incorporado
progresivamente técnicas de aprendizaje automático, incluyendo redes neuronales profundas y
modelos híbridos que integran conocimiento basado en principios físicos con aprendizaje derivado de
datos. Estas aproximaciones buscan reducir la carga computacional de la optimización en línea y
mantener niveles adecuados de precisión predictiva (Wang et al., 2025; Wu et al., 2025).
Estas estrategias han sido aplicadas en procesos industriales como separación química, producción
energética y sistemas complejos sometidos a perturbaciones externas, donde los modelos híbridos han
demostrado mejoras en robustez y capacidad de predicción (Mendes et al., 2024; Santana et al., 2023;
Trentini et al., 2023). Además de los procesos continuos, la robótica industrial constituye un campo
donde la inteligencia artificial ha generado avances relevantes en los esquemas de control, mediante el
desarrollo de controladores adaptativos capaces de responder a variaciones operativas sin
intervención manual constante (Abdelmaksoud et al., 2024; Urrea, 2025).
En particular, los algoritmos basados en aprendizaje por refuerzo y técnicas adaptativas han
evidenciado mejoras en tareas relacionadas con control de movimiento, regulación de velocidad y
manipulación robótica con múltiples grados de libertad (Alejandro-Sanjines et al., 2023; Lee & An,
2022). Asimismo, el empleo de entornos virtuales de prueba ha facilitado la evaluación de estrategias
inteligentes antes de su implementación en sistemas físicos, reduciendo riesgos asociados a la
validación experimental (Leonard et al., 2024).
Por otra parte, la lógica difusa y los sistemas neuro-difusos mantienen relevancia en escenarios
caracterizados por incertidumbre o relaciones entrada-salida complejas, especialmente cuando se
integran con arquitecturas neuronales profundas como las redes de memoria a largo-corto plazo (Yu
et al., 2024). Estas técnicas han sido utilizadas en aplicaciones relacionadas con sistemas térmicos,
producción energética y procesos industriales donde los métodos convencionales presentan
limitaciones para representar adecuadamente la dinámica del sistema (Yu et al., 2024; Song et al., 2024).
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
130
A pesar de estos avances, la incorporación de inteligencia artificial en el control automático
industrial todavía enfrenta desafíos relacionados con la interpretabilidad de los modelos, la validación
en ambientes productivos reales y la seguridad frente a amenazas cibernéticas en sistemas de control
críticos (Ibrahim & Elhafiz, 2024; Gouveia et al., 2024).
Además, aplicaciones recientes en tratamiento de aguas, sistemas energéticos y arquitecturas
industriales distribuidas evidencian limitaciones asociadas con la disponibilidad de datos, la
integración tecnológica y la transferencia desde entornos experimentales hacia escenarios
operacionales reales (Capodaglio & Callegari, 2025; Dudek & Blachnik, 2026). En este sentido, resulta
necesario sistematizar la evidencia científica existente para identificar las principales tendencias,
técnicas habilitadoras y brechas de investigación relacionadas con la aplicación de inteligencia artificial
en el control automático de procesos industriales.
Por ello, el presente estudio tiene como objetivo analizar, mediante una revisión sistemática de
literatura desarrollada bajo la metodología PRISMA 2020 (Page et al., 2021), las técnicas de
inteligencia artificial aplicadas al control automático de procesos industriales reportadas en
publicaciones científicas de acceso abierto. La investigación busca caracterizar los enfoques
metodológicos, arquitecturas de control y sectores industriales donde estas tecnologías han sido
implementadas.
2. Metodología
El presente trabajo se desarrolló como una revisión sistemática de literatura, siguiendo los
lineamientos establecidos en la declaración PRISMA 2020 (Page et al., 2021). Para ello, se aplicaron de
manera secuencial los elementos establecidos en la lista de verificación PRISMA 2020, desde la
identificación inicial de registros hasta la síntesis cualitativa de los estudios incluidos. Se incluyeron
artículos científicos originales y de revisión que abordaron la aplicación de técnicas de inteligencia
artificial al control automático de procesos industriales, publicados entre 2018 y 2026. Como criterios
adicionales de inclusión, se estableció que los estudios debían encontrarse disponibles en acceso
abierto, contar con un identificador de objeto digital (DOI) verificable y haber sido publicados en
revistas con cuartil confirmado en Scimago Journal Rank.
Se excluyeron estudios centrados exclusivamente en el diseño o modelado de procesos sin
componente de control, documentos con acceso restringido, actas de congresos sin versión publicada
en revista científica y estudios cuya revista de publicación no pudo ser validada mediante fuentes
bibliográficas oficiales. Las bases de datos consultadas fueron Scopus, Web of Science, IEEE Xplore,
ScienceDirect, SpringerLink y De Gruyter Online, además del portal editorial MDPI y el motor de
búsqueda académico Google Scholar como fuente complementaria de verificación cruzada. La
búsqueda bibliográfica se realizó por última vez el 23 de julio de 2026.
La estrategia de búsqueda combinó los términos "artificial intelligence" AND ("automatic control"
OR "process control" OR "reinforcement learning" OR "model predictive control" OR "fuzzy control"
OR "neural network control") AND "industrial process", utilizando operadores booleanos y adaptando
la sintaxis de búsqueda según las características de cada base de datos consultada. La selección de los
estudios se realizó mediante dos fases consecutivas. En la primera fase, se efectuó un cribado inicial
mediante la revisión del título y resumen, con el propósito de excluir registros que no se relacionaban
con el objetivo de investigación. En la segunda fase, se evaluaron los textos completos de los estudios
potencialmente elegibles, verificando el cumplimiento de los criterios establecidos, la disponibilidad
del DOI y la condición de acceso abierto.
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
131
Durante este proceso, se utilizaron herramientas asistidas por inteligencia artificial únicamente
como apoyo para la verificación bibliográfica y contrastación de información editorial, manteniendo
la revisión, selección y toma de decisiones bajo criterio del investigador. De cada estudio incluido se
extrajeron las siguientes variables: autoría, año de publicación, revista, cuartil Scimago, técnica de
inteligencia artificial aplicada, arquitectura o esquema de control implementado y principales
hallazgos relacionados con el desempeño del sistema de control automático.
Debido a la heterogeneidad metodológica de los estudios incluidos, se realizó una síntesis
narrativa de tipo temático, mediante la agrupación de los resultados en siete categorías: aprendizaje
por refuerzo aplicado al control de procesos, control predictivo basado en modelos con inteligencia
artificial, control inteligente en robótica industrial, lógica difusa y redes neuro-difusas, sensores
virtuales y monitoreo inteligente, arquitecturas distribuidas y sistemas basados en visión, y
aplicaciones sectoriales en sistemas energéticos. De acuerdo con los ítems 16a y 16b de PRISMA 2020,
se describieron detalladamente las fases de identificación, cribado, elegibilidad e inclusión de
estudios, especificando el número de registros analizados y las razones de exclusión
correspondientes. La figura 1 presentó el diagrama de flujo PRISMA 2020 y la tabla 1 sintetizó las
cifras obtenidas en cada fase del proceso.
En la fase de identificación se recuperaron 120 registros mediante la búsqueda sistemática ejecutada
en las bases de datos seleccionadas. No se identificaron registros adicionales mediante otras fuentes,
como listas de referencias o revisiones previas, por lo que la totalidad de los documentos correspondió
a las fuentes bibliográficas consultadas. Antes del cribado, se efectuó una depuración bibliográfica que
permitió eliminar 20 registros duplicados, derivados de la recuperación simultánea de los mismos
estudios en diferentes bases de datos. No se identificaron registros excluidos mediante herramientas
automatizadas ni documentos descartados por razones diferentes a la duplicidad. En consecuencia,
100 registros permanecieron disponibles para la fase de cribado.
Durante la fase de cribado, los 100 registros fueron evaluados mediante la revisión del título y
resumen, contrastando su correspondencia con los criterios de elegibilidad definidos. Como resultado,
se excluyeron 45 registros por no ajustarse al objetivo de la revisión. Entre los registros excluidos, 18
correspondieron a estudios sobre inteligencia artificial aplicada al diagnóstico de fallas o
mantenimiento predictivo sin integración de mecanismos de control automático; 14 abordaron
aplicaciones fuera del ámbito industrial; 8 correspondieron a documentos sin versión de revista
arbitrada; y 5 no permitieron verificar completamente la información bibliográfica requerida.
Como resultado del cribado, 55 informes fueron considerados potencialmente elegibles y
recuperados para evaluación a texto completo. La totalidad de estos informes fue obtenida
exitosamente, sin registrarse pérdidas por falta de disponibilidad. En la fase de elegibilidad, los 55
informes recuperados fueron evaluados mediante lectura completa, verificando tres criterios
principales: aplicación explícita de inteligencia artificial al control automático industrial,
disponibilidad en acceso abierto con DOI verificable y publicación en revistas con cuartil confirmado
en Scimago Journal Rank.
Como resultado de esta evaluación, se excluyeron 30 informes adicionales. De ellos, 12 fueron
descartados por acceso restringido, 10 por ausencia de información verificable sobre cuartil Scimago y
8 por no cumplir con el alcance temático establecido o presentar duplicidad sustancial con estudios
previamente incluidos. Ninguno de los informes evaluados fue excluido por criterios relacionados con
la calidad metodológica del diseño experimental, debido a que la evaluación se centró en la pertinencia
temática y la calidad editorial de las publicaciones seleccionadas.
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
132
Como resultado final del proceso de selección, 25 estudios cumplieron todos los criterios de
elegibilidad y fueron incluidos en la síntesis cualitativa de la revisión. Estos estudios se encontraban
disponibles en acceso abierto, contaban con DOI verificable y fueron publicados en revistas con cuartil
Scimago confirmado. De los estudios incluidos, 11 correspondieron a revistas clasificadas en Q1 y 14 a
revistas clasificadas en Q2, información que fue presentada en la tabla 1 y analizada posteriormente en
la sección de Resultados. No se realizaron búsquedas manuales adicionales en las listas de referencias
de los estudios incluidos, lo cual fue reconocido como una limitación del proceso de revisión.
Figura 1
Diagrama de flujo PRISMA 2020 del proceso de identificación, cribado y selección de estudios
Nota. Elaborado siguiendo la estructura del diagrama de flujo PRISMA 2020 (Page et al., 2021).
3. Resultados
Características generales de los estudios incluidos
Los 25 estudios incluidos en la presente revisión fueron publicados entre 2022 y 2026, con una mayor
concentración durante el periodo 2024-2025, en el cual se agruparon diecisiete de las investigaciones
analizadas. La mayoría de los estudios correspondió a artículos publicados en la revista Processes,
perteneciente al grupo editorial MDPI, mientras que los demás se distribuyeron entre revistas
especializadas como Applied Sciences, Machines, Biomimetics, Sensors, Reviews in Chemical Engineering,
Energies, IEEE Access, Journal of Marine Science and Engineering y Water. La tabla 1 sintetiza las
principales características de los estudios incluidos en la revisión.
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
133
Tabla 1
Estudios incluidos de 2022 al 2026
N.° Autor(es) y año Revista Enfoque principal
1 Alejandro-Sanjines et al. (2023) Biomimetics
PI adaptativa por refuerzo para motor
DC
2 Wu et al. (2025)
Rev. in Chemical
Engineering
Revisión tutorial de MPC basado en
aprendizaje automático
3 Yu et al. (2024) Applied Sciences
Control difuso con red LSTM para
producción de hidrógeno
4 Dudek & Blachnik (2026) Energies
IA/ML para pronóstico, optimización y
control en sistemas energéticos
5 Ibrahim & Elhafiz (2024) Processes
Evaluación de seguridad de ICS
mediante aprendizaje por refuerzo
6 Queiroz et al. (2024) Processes
Sensores virtuales con IA para unidad
de tratamiento de aguas ácidas
7 Mendes et al. (2024) Processes
MPC difuso embebido en PLC para
adsorción por oscilación de presión
8 Shi et al. (2024) Processes
Control por aprendizaje por refuerzo
profundo en biodiésel
9 Faridi et al. (2024) Processes
Control por refuerzo profundo en
gasificación de lecho fluidizado
10 Devarakonda et al. (2025) Processes
Revisión de aprendizaje por refuerzo
en control de procesos químicos
11 Faria et al. (2022) Processes
Revisión y guía de aprendizaje por
refuerzo en control de procesos
12 Soza & Prado (2025) Processes
MPC híbrido con refuerzo profundo
para procesos térmicos
13 Wang et al. (2025) Processes
Red neuronal profunda para control
predictivo de destilación
14 Lee & An (2022) Machines
Control de postura basado en IA para
manipulador de 7 GDL
15 Abdelmaksoud et al. (2024) IEEE Access
Revisión de estrategias de control para
manipuladores robóticos
16 Song et al. (2024) J. Marine Sci. and Eng.
Revisión de IA en control y diseño de
sistemas eólicos marinos
17 Urrea (2025) Machines
Revisión de control bioinspirado en
robótica industrial
18 Jung et al. (2025) Biomimetics
Revisión de control con IA en robótica
biomimética
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
134
19 Capodaglio y Callegari (2025) Water
Revisión de IA para supervisión y
control en aguas residuales
20 Tang et al. (2023) Applied Sciences
Red neuronal CPSO-RBF-
BP para
control de temperatura de reactor
21 Xu et al. (2023) Sensors
Control de sistema multivariable
acoplado mediante refuerzo profundo
22 Gouveia et al. (2024) Processes
Sistema de control modular basado en
edge computing
23 Leonard et al. (2024) Processes
Bancos de pruebas virtuales para
control basado en imágenes
24 Santana et al. (2023) Processes
MPC embebido para pozos petroleros
con bombeo electrosumergible
25 Trentini et al. (2023) Processes
Controlador predictivo de horizonte
irrestricto para separador bifásico
Nota. Elaboración propia a partir de los 25 estudios incluidos en la revisión (véase tabla 1).
Con el propósito de caracterizar visualmente el conjunto de estudios incluidos, las figuras 2 a 5
sintetizaron la distribución de las publicaciones según el año de publicación, la revista de procedencia,
el cuartil Scimago y la categoría temática predominante.
Como se observa en la figura 2, la producción científica sobre técnicas de inteligencia artificial
aplicadas al control automático de procesos industriales presentó una mayor concentración durante el
trienio 2024-2026, periodo en el que se agruparon dieciocho de los veinticinco estudios incluidos (72
%). Esta distribución temporal evidencia el creciente interés de la comunidad científica por la
aplicación de técnicas de inteligencia artificial en sistemas avanzados de control industrial.
Figura 2
Distribución de los estudios incluidos según año de publicación (n = 25)
Nota. Elaboración propia a partir de los 25 estudios incluidos en la revisión (véase tabla 1).
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
135
La figura 3 evidenció una mayor concentración de estudios en la revista Processes, que agrupó trece
de los veinticinco artículos incluidos (52 %). Esta distribución podría estar relacionada con el interés
de dicha revista en áreas vinculadas con el control automático, la optimización y los sistemas de
ingeniería, así como con la publicación de trabajos relacionados con estas temáticas (Faria et al., 2022;
Mendes et al., 2024; Queiroz et al., 2024). Las nueve revistas restantes presentaron una distribución
más heterogénea, con una representación de entre uno y dos estudios cada una.
Figura 3
Distribución de los estudios incluidos según revista de publicación (n = 25)
Nota. Elaboración propia a partir de los 25 estudios incluidos en la revisión (véase tabla 1).
En relación con el posicionamiento de las revistas según el Scimago Journal Rank, la figura 4 mostró
que catorce de los veinticinco estudios incluidos (56 %) fueron publicados en revistas clasificadas en el
segundo cuartil (Q2), mientras que los once estudios restantes (44 %) correspondieron a revistas
ubicadas en el primer cuartil (Q1). Esta distribución evidenció que la totalidad de los estudios
seleccionados procedió de revistas indexadas con clasificación Scimago vigente, lo que refleja la
incorporación de literatura científica proveniente de fuentes con reconocimiento bibliométrico.
Figura 4
Distribución de los estudios incluidos según cuartil Scimago de la revista de publicación (n = 25)
Nota. Elaboración propia a partir de los 25 estudios incluidos en la revisión (véase tabla 1).
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
136
La figura 5 sintetizó la distribución temática de los estudios incluidos, evidenciando que el
aprendizaje por refuerzo aplicado al control de procesos representó la categoría con mayor número de
investigaciones (n = 8), seguido del control predictivo basado en modelos con inteligencia artificial (n
= 5) y del control inteligente aplicado a la robótica industrial (n = 4). Las categorías relacionadas con
lógica difusa, sensores virtuales, arquitecturas de control distribuido y aplicaciones energéticas
presentaron una menor representación, con dos estudios cada una.
Figura 5
Distribución temática de los estudios incluidos según su enfoque principal (n = 25)
Nota. Elaboración propia a partir de los 25 estudios incluidos en la revisión (véase tabla 1).
Aprendizaje por refuerzo aplicado al control de procesos
El aprendizaje por refuerzo fue la técnica de inteligencia artificial con mayor representación dentro de
los estudios analizados. Faria et al. (2022) realizaron una revisión sobre sus aplicaciones en control y
optimización de procesos, destacando el entrenamiento basado en simulación y la transferencia de
aprendizaje como estrategias para facilitar su implementación industrial. De forma similar,
Devarakonda et al. (2025) analizaron los avances recientes del aprendizaje por refuerzo en procesos
químicos e identificaron como principales desafíos la eficiencia del muestreo, la estabilidad del sistema
en lazo cerrado y la validación en entornos industriales.
En estudios aplicados, Shi et al. (2024) desarrollaron un controlador basado en aprendizaje por
refuerzo profundo para optimizar un proceso de producción de biodiésel, mientras que Faridi et al.
(2024) propusieron un esquema de control basado en aprendizaje profundo para gasificación de
biomasa en lecho fluidizado. Asimismo, Xu et al. (2023) aplicaron aprendizaje por refuerzo profundo
al control de sistemas multivariables acoplados, demostrando su capacidad para gestionar variables
interdependientes. Ibrahim y Elhafiz (2024) emplearon esta técnica para evaluar vulnerabilidades de
sistemas industriales de control frente a amenazas cibernéticas.
Alejandro-Sanjines et al. (2023) implementaron un controlador adaptativo basado en aprendizaje
por refuerzo para la regulación de velocidad de un motor de corriente continua, mientras que Soza y
Prado (2025) integraron control predictivo basado en modelos con aprendizaje por refuerzo para
procesos térmicos con retardos prolongados.
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
137
Control predictivo basado en modelos con inteligencia artificial
El control predictivo basado en modelos constituyó la segunda categoría temática con mayor
representación dentro de la revisión. Wu et al. (2025) analizaron los métodos de MPC basados en
aprendizaje automático, resaltando desafíos asociados con estabilidad, interpretabilidad y
disponibilidad de datos. En aplicaciones industriales, Mendes et al. (2024) implementaron un
controlador predictivo basado en lógica difusa Takagi-Sugeno-Kang integrado en un controlador
lógico programable para un proceso de adsorción por oscilación de presión.
Por su parte, Wang et al. (2025) desarrollaron un modelo neuronal profundo basado en
conocimiento del proceso para el control predictivo de una columna de destilación, reduciendo
significativamente el error de predicción frente a modelos convencionales. En sistemas petroleros,
Santana et al. (2023) evaluaron estrategias MPC embebidas para pozos con bombeo electrosumergible,
mientras que Trentini et al. (2023) aplicaron un controlador predictivo de horizonte irrestricto para la
regulación de un separador bifásico sometido a perturbaciones periódicas.
Control inteligente en robótica industrial
La robótica industrial representó otro campo relevante de aplicación de inteligencia artificial en
sistemas de control automático. Lee y An (2022) desarrollaron un algoritmo basado en IA para el
control postural de un manipulador robótico de siete grados de libertad. Abdelmaksoud et al. (2024)
revisaron estrategias avanzadas de control aplicadas a manipuladores robóticos, mientras que Urrea
(2025) analizó tendencias recientes relacionadas con robótica industrial, inteligencia artificial e
Industria 5.0. Además, Jung et al. (2025) estudiaron estrategias de control aplicadas a robótica
biomimética, considerando aspectos relacionados con percepción, locomoción y aprendizaje inspirado
en sistemas biológicos.
Lógica difusa y redes neuro-difusas para el control
La lógica difusa combinada con aprendizaje profundo mantuvo relevancia en procesos caracterizados
por incertidumbre y relaciones complejas entre variables. Yu et al. (2024) desarrollaron una estrategia
híbrida basada en lógica difusa y redes LSTM para controlar un sistema térmico asociado a producción
de hidrógeno. Por otra parte, Tang et al. (2023) propusieron una red neuronal híbrida optimizada
mediante algoritmos evolutivos para mejorar la predicción y control de temperatura en reactores
industriales.
Sensores virtuales y monitoreo inteligente para el control
Los sensores virtuales basados en inteligencia artificial fueron identificados como herramientas
relevantes para procesos donde la medición directa resulta limitada o costosa. Queiroz et al. (2024)
desarrollaron sensores virtuales combinando modelos fenomenológicos e inteligencia artificial para
una unidad de tratamiento de aguas ácidas. Asimismo, Capodaglio y Callegari (2025) analizaron
aplicaciones de inteligencia artificial en tratamiento de aguas residuales, identificando limitaciones
relacionadas con instrumentación, integración tecnológica y estabilidad de los sistemas de control.
Arquitecturas de control distribuido, edge computing y visión
Los estudios sobre arquitecturas distribuidas evidenciaron una tendencia hacia sistemas de control
más flexibles e integrados. Gouveia et al. (2024) propusieron una arquitectura modular basada en edge
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
138
computing para entornos industriales, mientras que Leonard et al. (2024) desarrollaron bancos de
prueba virtuales para validar estrategias de control basadas en visión artificial. En sistemas
energéticos, Dudek y Blachnik (2026) analizaron modelos de inteligencia artificial aplicados al
pronóstico, optimización y control de redes energéticas inteligentes. De manera complementaria, Song
et al. (2024) revisaron aplicaciones de IA en sistemas eólicos marinos, identificando como principales
áreas de aplicación la regulación de turbinas y el control de estelas.
Aplicaciones sectoriales en sistemas energéticos
Dos estudios analizaron la aplicación de técnicas de inteligencia artificial en el control de sistemas
energéticos específicos. Dudek y Blachnik (2026) examinaron los modelos de inteligencia artificial y
aprendizaje automático utilizados para el pronóstico, la optimización y el control de sistemas
energéticos inteligentes, en un escenario marcado por la descarbonización, la creciente electrificación
y la incorporación progresiva de fuentes renovables de energía. Por su parte, Song et al. (2024)
evaluaron el uso de métodos de inteligencia artificial, incluyendo lógica difusa, algoritmos heurísticos,
aprendizaje profundo y aprendizaje por refuerzo, en el control y diseño de sistemas eólicos marinos.
El estudio analizó 135 publicaciones científicas e identificó que los principales desafíos de control se
concentraron en la regulación de turbinas eólicas y en la gestión de los efectos asociados a la estela
generada por los parques eólicos.
4. Discusión y limitaciones
Interpretación general de los resultados
Los hallazgos de la presente revisión sugieren que el aprendizaje por refuerzo representó la técnica de
inteligencia artificial con mayor presencia dentro de las aplicaciones analizadas en el control
automático de procesos industriales. Esta tendencia coincide con lo reportado por Faria et al. (2022) y
Devarakonda et al. (2025), quienes identificaron un crecimiento progresivo de esta línea de
investigación debido a su capacidad para abordar sistemas dinámicos complejos.
De manera particular, se observó una integración frecuente entre aprendizaje por refuerzo y control
predictivo basado en modelos, como lo evidenció Soza y Prado (2025). Esta convergencia sugiere un
cambio desde enfoques individuales hacia arquitecturas híbridas, donde el MPC aporta conocimiento
basado en modelos y restricciones operativas, mientras que el aprendizaje automático proporciona
capacidad de adaptación frente a incertidumbres y dinámicas no representadas explícitamente (Wu et
al., 2025).
Desde esta perspectiva, la combinación de ambas estrategias podría constituir una alternativa
relevante para superar algunas limitaciones históricas de los controladores tradicionales,
especialmente en procesos industriales caracterizados por alta variabilidad, perturbaciones externas y
dificultad para obtener modelos matemáticos precisos.
Asimismo, los resultados indican que la robótica industrial constituye un área con elevada
incorporación de técnicas de control inteligente, debido a la naturaleza no lineal y cambiante de las
tareas de manipulación. La necesidad de interacción con entornos dinámicos favorece el desarrollo de
controladores adaptativos capaces de aprender y modificar su comportamiento operativo
(Abdelmaksoud et al., 2024; Urrea, 2025).
En este contexto, los hallazgos coinciden con Jung et al. (2025), quienes destacan que la
incorporación de principios inspirados en sistemas biológicos puede complementar los enfoques
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
139
tradicionales basados exclusivamente en datos. Esto evidencia una tendencia hacia sistemas de control
más adaptativos, autónomos e integrados con capacidades perceptivas y de aprendizaje.
Limitaciones de la evidencia incluida
A pesar de los avances identificados, la evidencia disponible todavía presenta una brecha significativa
entre la validación experimental y la implementación industrial a gran escala. La mayoría de los
estudios incluidos fueron desarrollados mediante simulaciones computacionales o plantas piloto, con
una cantidad limitada de aplicaciones comprobadas en entornos productivos reales. Esta situación
restringe la generalización de los resultados hacia escenarios industriales complejos, donde factores
como la disponibilidad de datos, restricciones operativas, seguridad funcional y costos de
implementación pueden modificar el desempeño esperado de los algoritmos.
En concordancia con Wu et al. (2025), la transición desde modelos de control inteligente
desarrollados en ambientes académicos hacia sistemas industriales operativos continúa siendo uno de
los principales desafíos del área. Por otra parte, se identificó una concentración relevante de
publicaciones en la revista Processes. Aunque esta distribución no implica necesariamente un sesgo en
la calidad de los estudios incluidos, evidencia una dependencia parcial de una fuente editorial
específica, por lo que futuras revisiones deberían ampliar las estrategias de búsqueda hacia diferentes
bases de datos y editoriales.
Limitaciones del proceso de revisión
Respecto al proceso metodológico desarrollado, la restricción de incluir únicamente estudios
disponibles en acceso abierto y con DOI verificable pudo limitar la incorporación de investigaciones
relevantes publicadas bajo modelos de acceso restringido. Esta condición pudo afectar la amplitud de
la evidencia recopilada, especialmente en áreas específicas como el aprendizaje por refuerzo aplicado
al control de procesos químicos, donde algunas contribuciones relevantes pueden encontrarse en
revistas especializadas con acceso mediante suscripción.
Además, el proceso de búsqueda, cribado y extracción de información contó con apoyo de
herramientas asistidas por inteligencia artificial para la verificación bibliográfica; sin embargo, las
decisiones finales de inclusión y análisis permanecieron bajo revisión del investigador. Aunque estas
herramientas facilitaron la organización y comprobación de información, su utilización no reemplaza
procesos independientes de evaluación recomendados por PRISMA 2020 para reducir posibles sesgos
durante la selección de estudios (Page et al., 2021).
Implicaciones para la práctica, la política y la investigación futura
Desde una perspectiva práctica, los resultados obtenidos sugieren que las organizaciones industriales
interesadas en adoptar inteligencia artificial en sus sistemas de control podrían priorizar inicialmente
arquitecturas híbridas basadas en MPC y aprendizaje automático (Wang et al., 2025; Soza & Prado,
2025). Estas estrategias permiten conservar elementos fundamentales del control basado en modelos,
como la incorporación de restricciones operativas y criterios de estabilidad, mientras integran
capacidades adaptativas derivadas del aprendizaje automático.
En el ámbito de investigación futura, se identifican como prioridades el desarrollo de algoritmos de
aprendizaje por refuerzo con mayor eficiencia de muestreo, mecanismos formales de estabilidad,
modelos más interpretables y estrategias robustas frente a incertidumbre y ataques cibernéticos.
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
140
Finalmente, resulta necesario incrementar la validación experimental de estas técnicas en instalaciones
industriales reales, superando la dependencia actual de simulaciones y plantas piloto para favorecer
una adopción efectiva de la inteligencia artificial en sistemas de control industrial.
5. Conclusiones
A partir de la revisión sistemática de veinticinco estudios seleccionados bajo la metodología PRISMA
2020, se identificó que las técnicas de inteligencia artificial desempeñan un papel creciente en la
evolución del control automático de procesos industriales. Las aplicaciones analizadas abarcaron
diferentes enfoques, incluyendo aprendizaje por refuerzo, control predictivo basado en modelos con
inteligencia artificial, control inteligente en robótica industrial, lógica difusa, sensores virtuales y
arquitecturas de control distribuido.
De manera particular, los resultados permitieron establecer que el aprendizaje por refuerzo
presentó la mayor representación dentro de la evidencia analizada, seguido por el control predictivo
basado en modelos con inteligencia artificial y el control inteligente aplicado a la robótica industrial.
Esta distribución sugiere que estas técnicas constituyen actualmente las principales líneas de desarrollo
dentro del campo del control inteligente de procesos industriales.
No obstante, la adopción industrial de estas tecnologías continúa enfrentando desafíos asociados con
la interpretabilidad de los modelos, la validación en escenarios productivos reales y la seguridad de los
sistemas de control frente a amenazas cibernéticas. En este contexto, resulta necesario fortalecer el
desarrollo de arquitecturas híbridas que integren las capacidades adaptativas de la inteligencia artificial
con los principios de estabilidad y cumplimiento de restricciones propios del control tradicional.
Asimismo, las investigaciones futuras deberían orientarse hacia la validación experimental a gran
escala, el desarrollo de algoritmos más robustos y explicables, y la generación de metodologías que
faciliten la transferencia desde ambientes simulados hacia aplicaciones industriales reales. Estos
avances permitirán incrementar la confianza y viabilidad de la inteligencia artificial como componente
estratégico de los sistemas de automatización industrial.
Finalmente, los hallazgos de esta revisión aportan una visión estructurada del estado actual del
conocimiento sobre la aplicación de inteligencia artificial en el control automático de procesos
industriales, proporcionando elementos de referencia para investigadores, profesionales del sector y
responsables de la toma de decisiones interesados en la transformación digital de los sistemas
productivos.
Referencias
Abdelmaksoud, S., Al-Mola, M., Abro, G., & Asirvadam, V. (2024). In-depth review of advanced
control strategies and cutting-edge trends in robot manipulators: Analyzing the latest
developments and techniques. IEEE Access, 12, 47672–47701.
https://doi.org/10.1109/ACCESS.2024.3383782
Alejandro-Sanjines, U., Maisincho-Jivaja, A., Asanza, V., Lorente-Leyva, L. L., & Peluffo-Ordóñez, D.
H. (2023). Adaptive PI controller based on a reinforcement learning algorithm for speed control
of a DC motor. Biomimetics, 8(5), 434. https://doi.org/10.3390/biomimetics8050434
Capodaglio, A., & Callegari, A. (2025). Use, potential, needs, and limits of AI in wastewater treatment
applications. Water, 17(2), 170. https://doi.org/10.3390/w17020170
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
141
Devarakonda, V., Sun, W., Tang, X., & Tian, Y. (2025). Recent advances in reinforcement learning for
chemical process control. Processes, 13(6), 1791. https://doi.org/10.3390/pr13061791
Dudek, G., & Blachnik, M. (2026). Artificial intelligence and machine learning models for forecasting,
optimization, and control in smart energy systems. Energies, 19(3), 768.
https://doi.org/10.3390/en19030768
Faria, R., Capron, B., Secchi, A., & de Souza, M. (2022). Where reinforcement learning meets process
control: Review and guidelines. Processes, 10(11), 2311. https://doi.org/10.3390/pr10112311
Faridi, I., Tsotsas, E., & Kharaghani, A. (2024). Advancing process control in fluidized bed biomass
gasification using model-based deep reinforcement learning. Processes, 12(2), 254.
https://doi.org/10.3390/pr12020254
Gouveia, G., Alves, J., Sousa, P., Araújo, R., & Mendes, J. (2024). Edge computing-based modular
control system for industrial environments. Processes, 12(6), 1165.
https://doi.org/10.3390/pr12061165
Ibrahim, M., & Elhafiz, R. (2024). Security assessment of industrial control system applying
reinforcement learning. Processes, 12(4), 801. https://doi.org/10.3390/pr12040801
Jung, H., Park, S., Joe, S., Woo, S., Choi, W., & Bae, W. (2025). AI-driven control strategies for
biomimetic robotics: Trends, challenges, and future directions. Biomimetics, 10(7), 460.
https://doi.org/10.3390/biomimetics10070460
Lee, C., & An, D. (2022). AI-based posture control algorithm for a 7-DOF robot manipulator. Machines,
10(8), 651. https://doi.org/10.3390/machines10080651
Leonard, L., Gjonaj, G., Rahman, M., & Durand, H. (2024). Virtual test beds for image-based control
simulations using Blender. Processes, 12(2), 279. https://doi.org/10.3390/pr12020279
Mendes, T., Ribeiro, A., Schnitman, L., & Nogueira, I. (2024). A PLC-embedded implementation of a
modified Takagi–Sugeno–Kang-based MPC to control a pressure swing adsorption process.
Processes, 12(8), 1738. https://doi.org/10.3390/pr12081738
Page, M., McKenzie, J., Bossuyt, P., Boutron, I., Hoffmann, T., Mulrow, C., Shamseer, L., Tetzlaff, J.,
Akl, E., Brennan, S., Chou, R., Glanville, J., Grimshaw, J., Hróbjartsson, A., Lalu, M., Li, T.,
Loder, E., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement:
An updated guideline for reporting systematic reviews. BMJ, 372, n71.
https://doi.org/10.1136/bmj.n71
Queiroz, D., Rodrigues, F., Nogueira, J., Melo, P., & Souza, M. (2024). Synergizing phenomenological
and AI-based models with industrial data to develop soft sensors for a sour water treatment
unit. Processes, 12(9), 1900. https://doi.org/10.3390/pr12091900
Santana, B., Matos, V., Santana, D., & Martins, M. (2023). Embedded MPC strategies for ESP-lifted oil
wells: Hardware-in-the-loop performance analysis of nonlinear and robust techniques.
Processes, 11(5), 1354. https://doi.org/10.3390/pr11051354
Shi, H., Zhang, L., Pan, D., & Wang, G. (2024). Deep reinforcement learning-based process control in
biodiesel production. Processes, 12(12), 2885. https://doi.org/10.3390/pr12122885
Song, D., Shen, G., Huang, C., Huang, Q., Yang, J., Dong, M., Joo, Y. H., & Duić, N. (2024). Review on the
application of artificial intelligence methods in the control and design of offshore wind power
systems. Journal of Marine Science and Engineering, 12(3), 424. https://doi.org/10.3390/jmse12030424
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
142
Soza, K., & Prado, A. (2025). Integrating model predictive control with deep reinforcement learning for
robust control of thermal processes with long time delays. Processes, 13(6), 1627.
https://doi.org/10.3390/pr13061627
Tang, X., Xu, B., & Xu, Z. (2023). Reactor temperature prediction method based on CPSO-RBF-BP
neural network. Applied Sciences, 13(5), 3230. https://doi.org/10.3390/app13053230
Trentini, R., Campos, A., Salvador, M. A., Scheuer, Y. M., & Santos, C. H. F. (2023). Unrestricted horizon
predictive controller applied in a biphasic oil separator under periodic slug disturbances.
Processes, 11(3), 928. https://doi.org/10.3390/pr11030928
Urrea, C. (2025). Artificial intelligence-driven and bio-inspired control strategies for industrial robotics:
A systematic review of trends, challenges, and sustainable innovations toward Industry 5.0.
Machines, 13(8), 666. https://doi.org/10.3390/machines13080666
Wang, Z., Wang, H., & Du, Z. (2025). Deep neural network model based on process mechanism applied
to predictive control of distillation processes. Processes, 13(3), 811.
https://doi.org/10.3390/pr13030811
Wu, Z., Christofides, P. D., Wu, W., Wang, Y., Abdullah, F., Alnajdi, A., & Kadakia, Y. (2025). A tutorial
review of machine learning-based model predictive control methods. Reviews in Chemical
Engineering, 41(4), 359–400. https://doi.org/10.1515/revce-2024-0055
Xu, J., Li, H., & Zhang, Q. (2023). Multivariable coupled system control method based on deep
reinforcement learning. Sensors, 23(21), 8679. https://doi.org/10.3390/s23218679
Yu, H., Wang, Q., & Li, S. (2024). Fuzzy logic control with long short-term memory neural network for
hydrogen production thermal control system. Applied Sciences, 14(19), 8899.
https://doi.org/10.3390/app14198899
Perspectivas Sociales
y Administrativas
https://perspectivas.esprint.tech
Vol. 4 N° 2, julio-diciembre 2026 (128-143)
ISSN: 3028-8983
Johana Beatriz Samaniego Palacios
, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
143
Transparencia
Conflicto de interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna como parte de la
presente investigación.
Fuente de financiamiento
Los autores financiaron completamente la investigación.
Declaración sobre el uso de Inteligencia Artificial (IA)
Durante la elaboración de este artículo se utilizó inteligencia artificial como apoyo técnico y analítico
para la revisión lingüística, la corrección gramatical, la claridad expositiva, la organización de ideas y
el análisis de la información, bajo supervisión y validación humana permanente. No se empleó para
generar contenido científico original, argumentos, resultados, interpretar hallazgos o producir
conclusiones, ni para sustituir el juicio crítico. La responsabilidad sobre la integridad, veracidad y
contenido final del estudio recae exclusivamente en quien o quienes suscriben el artículo.
Contribución de autoría
Johana Beatriz Samaniego Palacios: Conceptualización, validación, análisis formal, investigación,
gestión de datos, visualización, redacción - preparación del borrador original, redacción - revisión y
edición, financiamiento, administración del proyecto, recursos, supervisión.
Juan Fernando Pérez Orellana: Conceptualización, validación, análisis formal, investigación, gestión
de datos, redacción - revisión y edición, financiamiento, recursos, supervisión.
Wilian Andres Nuñez Yanez: Conceptualización, metodología, software, análisis formal,
investigación, visualización, redacción - revisión y edición, financiamiento.
Byron Daniel Erazo Rodríguez: Metodología, investigación, visualización, redacción - revisión y
edición, financiamiento.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.
