Pinturas e inteligencia artificial. Una realidad

José Javier Gracenea, Doctor en Química Orgánica

16/09/2024

Este artículo pretende describir el estado de la técnica en lo que respecta al empleo de las herramientas que tienen como base la inteligencia artificial en el sector de la pinturas y los recubrimientos.

El sector de la pintura industrial y decorativa en España es una industria sólida y diversa que abarca la fabricación y distribución de productos utilizados en la decoración de interiores y exteriores, así como en aplicaciones industriales. En los últimos años, el sector ha innovado significativamente en la creación de productos más sostenibles y ecológicos, como pinturas con bajo contenido en compuestos orgánicos volátiles (COVs) y recubrimientos que promueven la eficiencia energética. La competencia en el mercado es fuerte, con empresas que van desde grandes multinacionales hasta pymes especializadas; la distribución, por su parte, se realiza a través de grandes cadenas, ferreterías y distribuidores especializados, en su gran mayoría. Las fuerzas motrices fundamentales del sector son la eficiencia en costes de materias primas y producción y las regulaciones medioambientales, cada vez, más estrictas. Por otro lado, la innovación ve oportunidades en la renovación de alta durabilidad de edificios y estructuras, la construcción sostenible y la creciente demanda de productos ecológicos y de alta funcionalidad.

La inteligencia artificial

La inteligencia artificial (IA) engloba una amplia variedad de herramientas y técnicas que se utilizan para simular procesos cognitivos humanos. Por ejemplo, la implantación doméstica de chatbots (programas de software diseñado para simular una conversación con seres humanos, ya sea a través de texto o de voz que utilizan tecnologías como el Procesamiento de Lenguaje Natural (NLP) y la inteligencia artificial (IA) para entender y responder a las preguntas o solicitudes de los usuarios de manera automática; quien no conoce a Alexa, Siri o Cortana, entre otras. Asimismo, Chatgpt, Google Gemini, Perplexity AI o Microsoft Copilot han democratizado el uso de herramientas basadas en la IA. A continuación, se describen algunas de las herramientas y técnicas más relevante que se basan en la IA:

El Machine Learning o aprendizaje automático es una rama de la inteligencia artificial que permite a las computadoras aprender a partir de los datos para hacer predicciones o tomar decisiones de forma autónoma. Existen varios tipos de aprendizaje automático donde destacan el aprendizaje supervisado, el no supervisado o el semisupervisado. Estas modalidades dependen de si los datos han sido etiquetados con anterioridad a su utilización. Por etiquetado se entiende que, además de sus características o atributos, se le ha asignado una respuesta o resultado conocido.
El Deep Learning, o aprendizaje profundo, es una rama del aprendizaje automático que se apoya en redes neuronales artificiales avanzadas para resolver problemas complejos. Estas redes, conocidas como ANNs, se estructuran en capas: una capa de entrada, varias capas ocultas y una capa de salida. Entre las diferentes redes neuronales, las Convolutional Neural Networks (CNNs) se especializan en procesar imágenes y reconocer patrones visuales, como ocurre en aplicaciones de reconocimiento facial o clasificación de objetos. Las Recurrent Neural Networks (RNNs), por su parte, están diseñadas para trabajar con datos secuenciales, como en las series temporales o el procesamiento del lenguaje natural, gracias a sus bucles internos que permiten recordar información previa.
El Procesamiento de Lenguaje Natural (NLP) es un campo de la inteligencia artificial que se enfoca en la interacción entre computadoras y el lenguaje humano. Incluye tareas como tokenización, que divide el texto en unidades más pequeñas como palabras; etiquetado de partes de la oración (Part-of-Speech Tagging), que asigna etiquetas gramaticales a cada palabra; reconocimiento de entidades nombradas (NER), que identifica y clasifica entidades como nombres propios en el texto; y análisis de sentimiento, que determina la polaridad de un texto, identificando si es positivo, negativo o neutro.

Finalmente, y por no excluir ninguna herramienta, quiero comentar la visión por computadora que permite a las computadoras interpretar imágenes, reconociendo objetos o personas y ubicándolos en las imágenes. También puede dividir imágenes en partes más pequeñas para su análisis. La robótica ayuda a planificar rutas y controlar movimientos con precisión. Los algoritmos genéticos, por su parte, se usan para tomar decisiones siguiendo reglas o manejando incertidumbres o resolver problemas complejos. Los modelos probabilísticos, como las Redes Bayesianas, calculan relaciones entre factores.

La inteligencia artificial y las pinturas

En este contexto, la IA ha revolucionado múltiples industrias y el sector de las pinturas no es una excepción. La inteligencia artificial puede transformar significativamente la forma en que se desarrollan, producen y aplican los recubrimientos y pinturas, ya que puede contribuir a optimizar el proceso, tradicionalmente basado en métodos de prueba y error, haciendo más eficiente el desarrollo de nuevos sistemas de pinturas y mejorando sus propiedades.

El estudio y procesado de imagen para el control de calidad en pinturas

La utilización y procesado de imágenes mediante inteligencia artificial en el control de calidad industrial puede ser clave para garantizar el rendimiento y la eficiencia de los productos en sectores como el de pinturas y recubrimientos. Este tipo de tecnologías permite analizar y procesar imágenes con una precisión que facilita la verificación de la uniformidad de los recubrimientos y la detección de posibles fallos o irregularidades en las superficies. Las imágenes de alta calidad son esenciales en estos sectores industriales, ya que ofrecen una representación detallada que es vital para evaluar la calidad de los productos. Las especificaciones técnicas de las imágenes, como la resolución, el número de bits por píxel y el color, juegan un papel crucial en la precisión visual de las inspecciones. Gracias a estas imágenes, las empresas pueden mejorar la automatización de los procesos de inspección y lograr una mayor eficiencia en la detección de defectos, lo que repercute en una mejor calidad de los productos y un mayor aprovechamiento de los recursos. En estas posibilidades que la IA ofrece destaca el control de calidad de los parámetros colorimétricos.

Mejora y optimización de los desarrollos y sistemas de pinturas

La IA está mejorando el desarrollo de los sistemas de recubrimientos y pinturas, especialmente en la optimización de los desarrollos. Los recubrimientos, que resultan de una combinación compleja de resinas, pigmentos, disolventes y aditivos, deben cumplir con estrictos requisitos de rendimiento y costo, lo cual es un desafío constante. Con la IA, los técnicos de pinturas con ayuda de los desarrolladores pueden generar algoritmos de optimización que evalúan cientos o miles de combinaciones de materiales y predicen su rendimiento basándose en datos experimentales previos. A través del aprendizaje automático, se pueden crear modelos predictivos que contribuyen a generar combinaciones mejoradas en función de propiedades clave como la resistencia a la corrosión, la durabilidad, la adherencia, la tenacidad y el secado rápido, que los desarrolladores pueden discriminar con su experiencia previa.

Una de las áreas más innovadoras donde la IA está jugando un papel crucial es en el desarrollo de recubrimientos inteligentes. Estos son recubrimientos capaces de responder a estímulos externos, como cambios en la temperatura, la humedad o la presión, adaptándose automáticamente para mejorar su rendimiento. Los modelos de IA pueden predecir cómo los recubrimientos responderán a diversos estímulos y sugerir mejoras en su formulación para maximizar su eficacia.

Monitorización del proceso de aplicación

La monitorización eficiente de la aplicación de recubrimientos ha sido uno de los hitos más buscado desde los comienzos de las aplicaciones industriales; es mucho más económico el aseguramiento de la calidad que el control posterior a la aplicación donde la solución menos dramática es la reparación o el repintado. Este proceso implica el uso de tecnologías avanzadas, como la inteligencia artificial (IA) y el aprendizaje automático (ML), que permiten un seguimiento en tiempo real de las condiciones de aplicación y el rendimiento de los recubrimientos. A través de técnicas de visión por computadora y análisis de datos es posible detectar defectos en la superficie, variaciones en el grosor del recubrimiento y otros parámetros críticos que pueden afectar la funcionalidad del material. Además, la monitorización continua permite ajustar los parámetros de aplicación, como la temperatura, la viscosidad y la presión, en tiempo real, lo que resulta en una mejora significativa en la calidad del recubrimiento. Los modelos predictivos basados en IA ajustan en tiempo real parámetros de procesos como el rociado con plasma, la electrodeposición y la deposición de recubrimientos.

Monitorización en condiciones de servicio y mantenimiento

La monitorización en tiempo real y condiciones de servicio es otro de los avances que ofrece la IA, ya que permite el uso de sensores integrados en las superficies pintadas para recopilar grandes cantidades de datos sobre el desgaste en condiciones de servicio y otros factores ambientales. Estos datos, analizados por sistemas de IA, permiten detectar signos tempranos de deterioro, lo que facilita la realización de mantenimientos predictivos y la implementación de acciones correctivas antes de que ocurran daños importantes. Esta capacidad de prevenir fallos asegura la durabilidad y la integridad de las estructuras recubiertas, mejorando la seguridad y reduciendo los costes operativos de mantenimiento.

Detección de defectos

Las técnicas de visión por computadora, junto con sistemas avanzados de inteligencia artificial, se utilizan para detectar y clasificar problemas en recubrimientos, como pinturas y revestimientos protectores. Básicamente, estas herramientas permiten identificar de manera automática y precisa defectos como grietas, ampollas o corrosión en las superficies pintadas. Por ejemplo, algunos modelos de redes neuronales convolucionales (CNNs), al ser optimizados, han demostrado ser muy efectivos para reconocer daños en recubrimientos que reciben poca radiación. Lo interesante es que estos sistemas automatizados pueden analizar grandes cantidades de imágenes, haciendo el trabajo de inspección mucho más rápido y con menos necesidad de intervención humana. Esto no solo acelera el proceso, sino que también lo hace más fiable y constante, mejorando la calidad del producto final.

Monitorización en condiciones de servicio y predicción de la vida útil

En cuanto a la predicción de la vida útil, las redes neuronales artificiales (ANN) están jugando un papel clave al combinar datos de pruebas electroquímicas, de visión por computadora y datos de simulaciones para prever con precisión cuándo un recubrimiento empezará a fallar, facilitando el mantenimiento preventivo. Al analizar datos de pruebas de envejecimiento acelerado y condiciones de servicio reales, estos modelos proporcionan estimaciones más precisas de la vida útil restante de los recubrimientos, lo que permite a las empresas planificar intervenciones de mantenimiento de manera más eficiente, reduciendo costes operativos y prolongando la vida útil de las estructuras protegidas.

De hecho, en este punto, quiero extenderme ya que la empresa de ensayos en recubrimientos y pinturas Mediciones y Corrosión S.L., proyecto que lideramos un grupo de profesionales del sector, utilizó las redes neuronales artificiales (ANN) para la correlación entre datos electroquímicos y datos de resistencia a la niebla salina en recubrimientos alquídicos y epoxídicos.

En la capa de entrada se introducen los datos iniciales que la red procesará. En este caso, los indicadores hacen referencia a las impedancias y diferencias de potenciales medidas mediante la técnica electroquímica ACET, como consecuencia de un deterioro inducido del recubrimiento mediante polarización catódica. Los valores obtenidos en la capa de salida dependen de los parámetros relacionados con la estructura de la red neuronal: conexiones entre neuronas, funciones de agregación y activación, así como los pesos sinápticos. Las diferencias entre estas salidas calculadas y las salidas obtenidas experimentalmente forman errores que se corrigen mediante retropropagación, y luego se modifican los pesos de las neuronas en la capa oculta. Al aplicar este paso varias veces durante la fase de entrenamiento, el error tiende a disminuir y la red ofrece una mejor predicción. Hay otros grupos de investigación que posteriormente han seguido la misma estrategia.

Conclusión

La inteligencia artificial (IA) ha llegado con fuerza a la industria de las pinturas y recubrimientos pudiendo actuar en cada etapa del ciclo de vida de los productos, su aplicación y desempeño. Desde el desarrollo inicial hasta la aplicación y mantenimiento, la IA permite a las empresas optimizar procesos que anteriormente dependían en gran medida del método de prueba y error. Gracias al aprendizaje automático, ahora es posible predecir con mayor precisión el comportamiento de los recubrimientos bajo diversas condiciones, lo que conllevará mejoras significativas en la calidad, durabilidad y sostenibilidad de los productos.

Por otra parte, la inteligencia artificial puede jugar un papel crucial en la aplicación y en el control de calidad, permitiendo la implementación de sistemas automatizados que detectan fallos o irregularidades en las superficies pintadas con una precisión que supera la capacidad humana. A través del procesamiento de imágenes y el uso de redes neuronales las empresas pueden garantizar que los recubrimientos sean uniformes y cumplan con los estándares de calidad más exigentes.

No menos importante es la posibilidad de monitorización de los recubrimientos en condiciones de servicio, facilitada por sensores avanzados y modelos predictivos que puede permitir a las empresas realizar mantenimientos preventivos con mayor precisión, evitando fallos antes de que ocurran. Esta capacidad predictiva no solo mejora la durabilidad de los recubrimientos, sino que también reduce significativamente los costes operativos y mejora la eficiencia del proceso de producción.

En conclusión, la IA ha entrado en la industria de las pinturas, ofreciendo nuevas oportunidades para mejorar la calidad, sostenibilidad y rentabilidad de los productos. A medida que estas tecnologías continúan evolucionando, el futuro de los recubrimientos parece cada vez más prometedor, con soluciones que no solo satisfacen las necesidades actuales, sino que también anticipan los desafíos del mañana. Sin embargo, pienso que son necesarias unas condiciones previas para el empleo de las herramientas comentadas en el artículo:

Bases datos adquiridos previamente (muchas veces durante años) y bien estructurados para poder abastecer los algoritmos a generar mediante inteligencia artificial.
Personal técnico especializado capaz de discriminar los resultados anómalos generados por la IA y que en algunos casos podrían dirigir erróneamente los algoritmos generados.
Personalización de las herramientas existentes con ayuda de consultoras especializadas.
Intuición para que los problemas y acciones no contemplados en los algoritmos se puedan detectar y etiquetar para poder implementarse.

Como consultor en investigación y desarrollo que soy, con 25 años de experiencia en tareas de desarrollo, formulación, aplicación, ensayos y prescripción de recubrimientos y pinturas, entiendo la IA como un apoyo a todos los que trabajamos en el desarrollo, aplicación e inspección de recubrimientos. De hecho, la utilización que pretendo hacer de la misma es para que mi trabajo sea más eficiente y consistente.

Para el estudio del estado del arte se han utilizado las bases de datos multidisciplinares SCOPUS, ScienceDirect, Google y ESPACENET para el caso de las patentes. Para el análisis de los diferentes documentos y la estructuración de la información se han utilizado las herramienta ChatPDF y ChatGPT.

Bibliografía

Leveraging Big Data, Artificial Intelligence, and Machine Learning in the Coatings Industry. Business Market Trends American Association. Coatings Tech, Vol. 16, No. 9, September 2019.
AI in Paints and Coatings Industry (July 2023). https://www.datatobiz.com/blog/ai-in-paints-and-coatings-industry
Application of artificial neural networks throughout the entire life cycle of coatings: A comprehensive review. Ning, Z., Zhao, X., Fan, L., Peng, Z., Ma, F., Jin, Z., Deng, J., & Duan, J. Progress in Organic Coatings, 189, 203, (2024).
Digital advancements in smart materials design and multifunctional coating manufacturing, Jaya Verma, A.S. Khanna, Physics Open 14 (2023) 100133.
New Company Leverages Power of AI to Support the Coating Industry. Focus on powder coatings. October 2021.
World-first AI process control cooperation for powder coating lines. Focus on powder coatings. March 2022.
AkzoNobel Powder Coatings partners with CoatingAI to develop an AI-based software. Focus on powder coatings. January 2024.
Application of artificial neural networks throughout the entire life cycle of coatings: A comprehensive review, Zenglei Ning, Xia Zhao, Liang Fan, Zhongbo Peng, Fubin Ma, Zuquan Jin, Junying Deng, Jizhou Duan, Baorong Hou, Progress in Organic Coatings 189 (2024) 108279.
How to Implement AI in the Coating Industry, Ralph Zoontjens. PCI Magazine. https://www.pcimag.com/articles/109806-how-to-implement-ai-in-the-coating-industry
Is AI the Catalyst for Growth in Coatings? Emily Newton, PCI Magazine. https://www.pcimag.com/articles/112048-is-ai-the-catalyst-for-growth-in-coatings
Development of anticorrosive pigments by EIS and ACET. A general correlation model with NSS results. J. Suay, M.J. Gimeno, J. Gracenea, S. Chamorro, R. March, Esther Oro, Patricia Pérez. AETOC 2013 workshop: Application of Electrochemical Techniques to Organic Coatings. 24-27 de abril de 2013. Emmetten (Switzerland).
Prediction of salt spray test results of micro arc oxidation coatings on AA2024 alloys by combination of accelerated electrochemical test and artificial neural network, Alexandre Finke, Julien Escobar b, Julien Munoz b, Mikael Petit, Surface & Coatings Technology 421 (2021), 127370.

José Javier Gracenea es Doctor en Química Orgánica , ha desarrollado su carrera profesional como director técnico y comercial en diferentes empresas de recubrimientos y pinturas y ha sido CEO de la empresa de ensayos electroquímicos Mediciones y Corrosión S.L. a lo largo de 25 años. También ha sido miembro del comité plenario del CTN48 de Aenor y delegado español en el grupo de trabajo ISO TC35/SC09/WG29. En la actualidad es consultor, perito judicial e inspector NACE. Durante su trayectoria investigadora ha participado en una treintena de proyectos de investigación en recubrimientos y materiales avanzados que han dado lugar a más 50 publicaciones y comunicaciones en revistas y congresos de reconocido prestigio.

A medida que estas tecnologías continúan evolucionando, el futuro de los recubrimientos parece cada vez más prometedor, con soluciones que no solo satisfacen las necesidades actuales, sino que también anticipan los desafíos del mañana