Pinturas e inteligencia artificial. Una realidad

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.

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

Mejora y optimización de los desarrollos y sistemas de pinturas

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

Monitorización en condiciones de servicio y 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.

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:

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

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.