La rápida y drástica transformación de la sociedad actual, impulsada por la digitalización y la automatización, e influida por la necesidad de dar respuestas sostenibles a los retos sociales y económicos que existen en la sociedad actual, exige que los futuros ingenieros adquieran competencias que van más allá de las capacidades técnicas tradicionales. En particular, los cambios que afronta nuestra sociedad en la producción y el consumo, no sólo afectan a los procesos industriales, sino también la manera en la que se diseñan productos y servicios. La explosión del uso masivo de datos (“big data”) a principios de este siglo, revolucionó la toma de decisiones y los procesos de innovación.

Este cambio de paradigma requiere que los ingenieros no sólo dominen sus áreas técnicas, sino que también desarrollen competencias en ciencia de datos e innovación basada en datos, para manejar y analizar de manera eficiente grandes volúmenes de datos.

Un sector tradicionalmente ajeno a las revoluciones tecnológicas digitales es el sector de la construcción, el cual tiene una oportunidad en el “big data” para posicionarse como uno de los sectores lideres en la transición climática y descarbonización industrial.

Además, este sector es responsable de una parte significativa de las emisiones de gases de efecto invernadero. Entre los materiales más utilizados en la construcción, se encuentra el cemento Portland, tanto para la fabricación de hormigones (formados por cemento, áridos grueso y fino y agua) como de morteros (con cemento, árido fino y agua), siendo este un material fundamental en el área y responsable del 7% de las emisiones globales de dióxido de carbono. Dado este alto impacto, es necesario estudiar y desarrollar nuevos materiales de construcción más sostenibles que contribuyan a una mejor gestión de los recursos y reduzcan el impacto ambiental, fomenten el uso de materiales reciclados y mejoren la eficiencia energética en los procesos de fabricación. Una de las áreas de investigación más fructíferas en esta área, consiste en experimentar sustituciones de cemento Portland por derivados del carbono, como el óxido de grafeno o los nanotubos de carbono. Estos aditivos son más sostenibles ya que no sólo aprovechan los desechos de la industria metalúrgica, sino que también se generan a temperaturas más bajas que el propio cemento. Además, estos materiales, al ser conductores de la electricidad, permiten la monitorización estructural de las construcciones, mejorando la durabilidad y la seguridad de las infraestructuras. En este contexto, el uso de la cal como sustituta del cemento Portland, también está adquiriendo una gran relevancia. La cal destaca especialmente para la fabricación de morteros bastardos (mezcla de cemento y cal) y también es más sostenible que el cemento al generarse a menores temperaturas (900ºC frente a los 1200ºc del cemento). Su uso es particularmente adecuado para la restauración de construcciones históricas, por sus propiedades físicas, químicas y mecánicas.

El gran peso experimental de estas áreas de investigación, las hace especialmente atractivas para el uso de técnicas de “data mining” y “data driven innovation”. En procesos experimentales, los algoritmos basados en redes neuronales llevan más de una década usándose con éxito para optimizar y predecir comportamientos experimentales. Estas técnicas de “data-driven design” permiten optimizar procesos experimentales y recientemente están siendo aplicadas a técnicas de experimentación en nuevos materiales. La IA facilita la predicción del comportamiento estructural, la optimización de las mezclas y la evaluación del rendimiento bajo diversas condiciones, reduciendo costes y tiempo de experimentación. Para acelerar la adopción de estas técnicas y favorecer el desarrollo de nuevos materiales como el del caso de uso planteado, es esencial, formar a los estudiantes de ingeniería tanto en la ejecución de procesos experimentales como en técnicas de “data-driven design” y algoritmos basados en inteligencia artificial, proporcionándoles competencias clave para abordar los problemas globales actuales de una forma consciente, creativa y altamente eficiente.

Con esto, la propuesta de innovación educativa aquí planteada usa como ejemplo de aplicación el caso del uso del cemento Portland como guía para desarrollar las competencias de los estudiantes de aquellas ingenierías que tienen un menor enfoque curricular hacia la ciencia de datos (Ingeniería Industrial, de Minas, entre otras) formándoles en técnicas y métodos de toma de decisiones basadas en datos, algo esencial para afrontar los retos industriales actuales. Para ello, se seguirá un enfoque práctico sobre la fabricación y caracterización de materiales y el uso de AI para mejorar el diseño y el testeo de estos nuevos materiales. 

El objetivo principal del proyecto es proporcionar a los alumnos las capacidades necesarias para integrar herramientas de inteligencia artificial, “data mining” y “big data” en el proceso experimental. Para ello, se utilizará como caso de uso el análisis de las propiedades del cemento Portland, para optimizar formulaciones, predecir el comportamiento del material y automatizar el análisis de datos y como fin último, diseñar soluciones constructivas adaptadas a las necesidades del barrio, considerando criterios como sostenibilidad, economía y eficiencia energética. Los objetivos particulares de este proyecto son:

1. Introducir a los estudiantes en los métodos de minería de datos e inteligencia artificial más comunes utilizando herramientas “open source” y amigables, que abstraigan de la complejidad algorítmica de primer nivel.
2. Formar a los estudiantes de ingeniería en el análisis de datos experimentales, con aplicación en el desarrollo de materiales avanzados, como el cemento Porland, y explorar cómo diferentes formulaciones pueden mejorar sus propiedades con foco en la sostenibilidad.
3. Recopilar y analizar datos sobre las necesidades de su entorno cotidiano y combinar estos con los resultados experimentales para diseñar soluciones constructivas innovadoras.
4. Fomentar el aprendizaje colaborativo entre estudiantes para abordar problemas reales de su entorno local mediante el uso de nuevas tecnologías como la Inteligencia Artificial.

Con este proyecto se pretende que el alumnado se acerque al mundo de la innovación experimental de una manera práctica, tangible y participativa favorecida por el uso cotidiano de herramientas de inteligencia artificial para mejorar los resultados del proceso. El desarrollo de herramientas usables de “data mining”, como “Weka” o “Orange”, permite atraer a estudiantes que tienen un menor enfoque curricular de ciencia de datos, como la ingeniería de mecánica o de diseño industrial.

Al proporcionar conocimientos para mejorar la formulación de combinaciones experimentales, se agiliza el proceso experimental, lo que aumentará la eficiencia y motivación de los estudiantes al poder construir su proceso de aprendizaje de forma dinámica sobre el impacto directo de sus decisiones y conclusiones, mejorando su preparación para situaciones prácticas.

Además, la vinculación de los resultados experimentales con los datos locales permite la personalización del aprendizaje, favoreciendo la aplicación de los conocimientos de los alumnos a problemas concretos de su entorno.

Fase de Investigación en el Barrio: Identificación de las necesidades.

Durante esta fase los estudiantes comenzarán a recopilar información sobre las necesidades de infraestructura del barrio. Esta información incluirá encuestas sobre aspectos como problemas en las vivienda, pavimentación o áreas comunes que requieran una mejora. También se fomentará la búsqueda y uso de bases de datos abiertas que puedan tener información sobre las necesidades y el uso de materiales derivados del cemento para la construcción en las zonas de estudio (“OpenAIRE”, “INE”, “Zenodo”, etc.). En paralelo, a fin de adaptar el material curricular y la experimentación al nivel de los participantes, se elaborará una encuesta para evaluar su nivel de conocimientos previos sobre técnicas constructivas y de minería de datos. 

Fase Experimental: Análisis de las propiedades del cemento Portland.

Durante esta segunda fase los estudiantes comenzarán pruebas de laboratorio para estudiar cómo las distintas proporciones de componentes (cemento y/o cal, agua y aditivo, tales como el grafeno o los nanotubos de carbono) afectan a propiedades como la resistencia y durabilidad del producto resultante. Para ello se realizarán dos talleres monográficos:

1.- Fabricación de morteros: Se realizará un primer taller sobre cómo fabricar los distintos morteros y hormigones de cemento y/o cal y reforzados con grafeno o nanotubos de carbono, incluida técnicas de experimentación y recogida de datos para su posterior utilización.

2.- Caracterización en estado endurecido de los morteros y hormigones, donde se abordarán las técnicas de medición de sus propiedades mecánicas (resistencias a flexión, compresión y tracción indirecta) así como físicas (densidad, humedad, porosidad), etc.

Los datos recogidos durante estos talleres, así como datos retrospectivos de anteriores ensayos derivados de TFGs y de prácticas de la asignatura de Materiales Avanzados se utilizarán para aplicar técnicas de minería de datos. En concreto, se plantea utilizar herramientas “open source” como “Weka”, para aplicar algoritmos de clasificación o clusterización para agrupar los datos de los experimentos y analizar cómo varían las propiedades del cemento según las combinaciones de los materiales utilizados durante su fabricación.

Fase de análisis de necesidades y datos experimentales Esta fase combinará los datos obtenidos en la fase de investigación de necesidades y requisitos obtenidos de las encuestas y datos del barrio con los resultados experimentales de la fase experimental. Para ello se utilizarán herramientas como “Orange data-mining” donde los estudiantes podrán combinar, integrar y analizar las múltiples fuentes de datos de las que disponen de las anteriores dos fases. Esto les permitirá utilizar técnicas de “visual analytics” para explorar las características del cemento más relevantes para los diferentes tipos de construcción (pavimiento, viviendas, zonas comunes, etc.). Con estos resultados, los estudiantes diseñarán propuestas basadas en el análisis de datos, destacando qué mezclas de cemento Portland son las más adecuadas para resolver las necesidades del barrio.

Inicialmente se establecerán Indicadores Clave de desempeño (KPIs, de sus siglas en inglés) que midan el éxito del proyecto, tales como la tasa de participación, la calidad de los proyectos, el dominio final de habilidades específicas y la satisfacción de los participantes y el profesorado.

Parte de las mediciones de estos KPIs se realizará mediante la realización de una memoria de prácticas que recoja las técnicas de construcción aplicadas en los talleres y la generación de una rúbrica asociada para su corrección. Además, al finalizar el proyecto, se realizarán encuestas de satisfacción para recoger opiniones sobre la experiencia de aprendizaje, la relevancia de las actividades y el uso de herramientas de IA, lo que ayudará a mejorar futuros proyectos.

La entrega de dicho informe y la participación en la encuesta, talleres y seminario serían requisitos para adquirir 2 créditos ECTS que podrían convalidar los alumnos de la ETSIDI.

Finalmente, se plantea el utilizar las propias herramientas utilizadas en el PIE (por ejemplo, “Weka” u “Orange”) para evaluar cuantitativamente los resultados del proyecto, identificando patrones y correlaciones que ayuden a entender el impacto de las diferentes variables.

Los productos tangibles del proyecto que se esperan obtener son:

1.- Material didáctico mejorado mediante la generación de las guías para los talleres y los recursos educativos necesarios para la integración de las herramientas de minería de datos. El “feedback” obtenido durante la evaluación será utilizado para mejorar este material que estará disponible a través de los medios que dispone la UPM para la comunidad educativa.

 2.-Los informes de prácticas elaborados por los alumnos, como medio para evaluar la actividad de los estudiantes, incluyendo los objetivos alcanzados, las lecciones aprendidas y los propios datos experimentales disponibles para uso de la comunidad educativa.

3.- Publicaciones y presentaciones: además, se pretende enviar una comunicación a un congreso y elaborar un artículo posterior sobre innovación educativa por medio de los cuales se evalúen los logros del proyecto en cuanto a impacto en los estudiantes. También y de forma paralela, se podrá redactar un artículo de investigación sobre las técnicas hacia una construcción más sostenible describiendo la fabricación y caracterización de los morteros y hormigones reforzados en base a los resultados de los algoritmos implementados.]

4.- Red de colaboración interdisciplinaria estableciendo conexiones con docentes de otras escuelas distintas a la ETSIDI, agentes externos a la comunidad UPM (asociaciones, colegios, sociedad civil en general), creando un entorno de aprendizaje más rico y diverso que pueda ser utilizado para otros proyectos.

5.- Propuestas de mejora curricular mediante recomendaciones para actualizar el currículo existente basadas en las experiencias adquiridas y en los resultados del proyecto, promoviendo una enseñanza más innovadora y alineada con las necesidades del mercado

6.- Evaluación del impacto educativo del aprendizaje y la motivación de los estudiantes para informar sobre decisiones futuras sobre métodos de enseñanza en las asignaturas involucradas.

Uso de plataformas de colaboración abierta para proyectos interdisciplinarios como “Miro” para fomentar la co-creación entre los participantes y las herramientas.

Presentaciones de los resultados a toda la comunidad universitaria, tanto de los casos de uso desarrollados por los estudiantes como de la evaluación del proyecto tanto en medios analógicos (carteles, guías docentes) como en las redes sociales y páginas web de la ETSIDI. 

Otros soportes de difusión 

• Artículos realizados por profesores integrantes de este Proyecto dedicados a profundizar en la temática del curso y la metodología seguida dónde se manifieste las herramientas utilizadas y los objetivos conseguidos en la mejora de la enseñanza. 

• Comunicación en congreso de innovación educativa. Elaboración de un artículo que describa la relación entre los distintos agentes que participan y los logros obtenidos en el ámbito docente (JIDA, EDUMEET). 

El material docente y/o de apoyo generado en este PIE se publicará a través de la Biblioteca UPM para uso abierto por parte de la comunidad educativa de la UPM.

Publicación de los datos de experimentación, si su calidad lo permite, en “ZENODO”.

Durante la fase inicial y el desarrollo del proyecto se tiene previsto colaborar con Asociación Nacional de Empresarios Fabricantes de Áridos (ANEFA),  la ETSIT, con el fin de elaborar un material compresible, accesible y que ayude a incorporar a los alumnos los conocimientos básicos de minería de datos para utilizar de forma sistemática herramientas basadas en Inteligencia Artificial. También se colaborará con la ETSUIN para la elaboración de los materiales necesarios para la de los talleres prácticos sobre materiales avanzados.