Fecha de recepción 16/07/2025
Fecha de aceptación: 15/01/2026
Pp. 1 – Pp. 17
Ark: https://n2t.net/ark:/87558/tekhne.29.1.1
Análisis Comparativo de Metodologías para la Predicción de Propiedades
Mecánicas de Materiales Compuestos
Sergio Gomez1
sergio.gomezs@upb.edu.co1
https://orcid.org/0000-0002-6425-70621
Universidad Pontificia Bolivariana, Colombia; Universidad Católica Andrés Bello, Venezuela1
Resumen
La predicción precisa de las propiedades mecánicas de los materiales compuestos representa un desafío técnico significativo,
debido a su compleja estructura interna y a la amplia variedad de combinaciones posibles entre matrices y refuerzos. Este trabajo
tiene como objetivo analizar y comparar las principales metodologías empleadas para este propósito, agrupándolas según su
enfoque. El estudio se basó en una revisión bibliográfica estructurada de la literatura publicada en el periodo 2020-2024, mediante
la cual se identificaron y clasificaron las estrategias utilizadas en cuatro categorías: experimentales, analíticas, numéricas
(particularmente el método de elementos finitos) y basadas en inteligencia artificial. Posteriormente, se realizó un análisis
comparativo de sus beneficios y limitaciones, considerando criterios como precisión, costo, flexibilidad, requerimientos técnicos
y capacidad predictiva. Los resultados muestran que, si bien los ensayos experimentales ofrecen alta fidelidad, presentan
limitaciones en términos de costos y replicabilidad. Los modelos analíticos se destacan por su simplicidad y rapidez, aunque
tienden a perder exactitud en sistemas más complejos. Las simulaciones numéricas permiten representar estructuras heterogéneas
con gran detalle, pero demandan recursos computacionales significativos. Finalmente, los enfoques basados en inteligencia
artificial demuestran un alto potencial para gestionar grandes volúmenes de datos y reconocer patrones complejos, aunque su
eficacia depende en gran medida de la calidad y representatividad de los datos disponibles.
Palabras clave: Elementos finitos, Inteligencia artificial, Materiales compuestos, Predicción, Propiedades mecánicas
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
2
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
A Comparative Analysis of Methodologies for Predicting the Mechanical
Properties of Composite Materials
Análise Comparativa de Metodologias para a Previsão das Propriedades
Mecânico de Materiais Compostos
Abstract
Accurately predicting the mechanical properties of composite materials is a significant technical challenge due to their complex
internal structure and the wide variety of possible matrix-reinforcement combinations. This study aims to analyze and compare
the primary methodologies employed for this purpose, categorizing them based on their approach. A structured review of
literature published between 2020 and 2024 was conducted to identify and classify the strategies used into four categories:
experimental, analytical, numerical (particularly the finite element method), and artificial intelligence–based. A comparative
analysis of the benefits and limitations of these strategies was then conducted, considering criteria such as accuracy, cost,
flexibility, technical requirements, and predictive capacity. The results show that although experimental tests offer high fidelity,
they are limited in terms of cost and replicability. Analytical models are notable for their simplicity and speed, though they tend
to lose accuracy in complex systems. Numerical simulations allow for the representation of heterogeneous structures in detail
but require significant computational resources. Finally, artificial intelligence–based approaches demonstrate great potential
for managing large volumes of data and recognizing complex patterns; however, their effectiveness largely depends on the
quality and representativeness of the available data.
Keywords: Finite elements, artificial intelligence, composite materials, prediction, mechanical properties.
Resumo
A previsão precisa das propriedades mecânicas dos materiais compósitos constitui um desafio técnico significativo, dado que estes
apresentam uma estrutura interna complexa e uma vasta gama de combinações possíveis entre matrizes e reforços. O presente
trabalho tem como objetivo analisar e comparar as principais metodologias utilizadas para esse efeito, agrupando-as consoante a
respetiva abordagem. Para o efeito, foi realizada uma revisão bibliográfica estruturada da literatura publicada entre 2020 e 2024,
tendo sido identificadas e classificadas as estratégias utilizadas em quatro categorias: experimentais, analíticas, numéricas (em
particular, o método dos elementos finitos) e baseadas em inteligência artificial. Posteriormente, foi realizada uma análise
comparativa dos respetivos benefícios e limitações, tendo em conta critérios como a precisão, o custo, a flexibilidade, os requisitos
técnicos e a capacidade preditiva. Os resultados mostram que, embora os ensaios experimentais ofereçam uma elevada fidelidade,
apresentam limitações em termos de custos e replicabilidade. Os modelos analíticos destacam-se pela sua simplicidade e rapidez,
embora tendam a perder precisão em sistemas mais complexos. As simulações numéricas permitem representar estruturas
heterogéneas com grande detalhe, mas exigem recursos informáticos significativos. Por fim, as abordagens baseadas em
inteligência artificial demonstram um elevado potencial para gerir grandes volumes de dados e reconhecer padrões complexos,
embora a sua eficácia dependa em grande medida da qualidade e representatividade dos dados disponíveis.
Palavras-chave: Elementos finitos, Inteligência artificial, Materiais compostos, Previsão, Propriedades mecânicas
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
3
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
I. INTRODUCCIÓN
Un material compuesto se define como la
combinación de dos o más materiales distintos con
el fin de mejorar sus propiedades mecánicas
individuales [1].
La capacidad de diseñar y fabricar materiales
compuestos de acuerdo con especificaciones
precisas permite ajustar sus propiedades para
cumplir con requisitos particulares. En este sentido,
anticipar las propiedades mecánicas antes del
proceso de fabricación resulta no solo deseable,
sino fundamental. Este enfoque predictivo permite
reducir tiempos de desarrollo, minimizar costos
asociados a la experimentación física, y asegurar un
desempeño adecuado en condiciones reales de
operación. Además, facilita la toma de decisiones
informadas en fases tempranas del diseño,
contribuyendo a la eficiencia del ciclo completo de
desarrollo de nuevos materiales [2].
La criticidad de la predicción de propiedades
mecánicas se manifiesta de forma palpable en
sectores de alta exigencia [3]. En el sector
aeroespacial, el uso extensivo de compuestos
reforzados con fibra de carbono se justifica por su
excepcional relación resistencia-peso, lo cual incide
directamente en la eficiencia del combustible y en la
integridad estructural de aeronaves modernas; en la
industria automotriz, la incorporación de materiales
compuestos ligeros no solo permite reducciones de
peso entre el 15 % y el 40 %, sino que también es
clave para el desarrollo de vehículos eléctricos, al
mejorar su autonomía y rendimiento [4]. Asimismo,
en la construcción, la durabilidad, la resistencia a la
corrosión y el comportamiento frente a cargas
extremas de compuestos reforzados con fibras
naturales o sintéticas son factores determinantes
para garantizar la seguridad y longevidad de las
estructuras [5]. Dado que errores en la predicción
del comportamiento mecánico pueden derivar en
fallos estructurales con consecuencias severas, es
imperativo contar con modelos predictivos rigurosos,
validados experimentalmente y basados en
metodologías trazables y replicables.
No obstante, predecir con precisión el
comportamiento mecánico de los materiales
compuestos sigue siendo un desafío técnico
considerable. La complejidad estructural derivada
de su naturaleza heterogénea, la presencia de
interfaces entre fases, la anisotropía inherente y la
sensibilidad a las condiciones de procesamiento
dificultan la formulación de modelos universales. A
esto se suma la creciente variedad de
combinaciones posibles entre matrices (poliméricas,
metálicas, cerámicas) y refuerzos (fibras naturales,
sintéticas, nanopartículas), lo que exige enfoques
versátiles y adaptativos [6].
En años recientes, el panorama de la predicción de
propiedades mecánicas en materiales compuestos
ha sido transformado por el auge de herramientas
computacionales avanzadas. El desarrollo de
modelos basados en inteligencia artificial, en
particular técnicas de machine learning (aprendizaje
automático), ha permitido identificar patrones
complejos en grandes volúmenes de datos
experimentales y simulados, facilitando
predicciones más rápidas y reduciendo la
dependencia de ensayos físicos costosos y
prolongados [7]. Paralelamente, la simulación
numérica mediante el Método de Elementos Finitos
(MEF) ha evolucionado hacia enfoques multifísicos
y multiescala, capaces de representar con mayor
fidelidad el comportamiento anisótropo, la respuesta
no lineal y los mecanismos de daño en estructuras
compuestas [8].
Este avance tecnológico se refleja en el crecimiento
exponencial de la producción científica sobre
compuestos, con tendencias claras hacia soluciones
sostenibles, como el desarrollo de compuestos
termoplásticos reforzados con fibras naturales [9].
Este impulso global hacia materiales ligeros,
reciclables y de bajo impacto ambiental ha
coincidido con una proliferación de metodologías
predictivas, desde modelos analíticos clásicos hasta
estrategias basadas en datos [10], [11], [12]. Sin
embargo, justamente esta diversidad de enfoques
cada uno con sus ventajas y limitaciones inherentes
subraya la necesidad urgente de una revisión que
sintetice, compare y evalúe críticamente las
estrategias más efectivas y viables para su
implementación industrial.
Por tal razón el presente trabajo tiene como objetivo
realizar una revisión bibliográfica estructurada de la
literatura publicada en los últimos cinco años para
analizar las principales estrategias empleadas para
la predicción de propiedades mecánicas en
materiales compuestos, clasificarlas según su
fundamento teórico y aplicabilidad práctica, y
evaluar rigurosamente sus beneficios, alcances y
limitaciones.
II. METODOLOGÍA
En la Figura 1 se presenta de manera esquemática
la metodología utilizada.
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
4
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
Figura 1: Metodología
A. Revisión bibliográfica
Se realizó una búsqueda sistemática de literatura
científica enfocada en metodologías para la
predicción de propiedades mecánicas de materiales
compuestos. Para garantizar la relevancia y calidad
de los documentos seleccionados, se aplicaron
criterios de inclusión estrictos: (i) publicaciones en
español e inglés, (ii) artículos indexados en las áreas
de Materiales e Ingeniería, excluyendo contenidos
relacionados con Química, (iii) prioridad a artículos
de investigación y de revisión, excluyendo actas de
congresos por su menor profundidad metodológica,
(iv) publicaciones correspondientes a los últimos
cinco años (2020-2024). La búsqueda se llevó a
cabo en la base de datos especializada Scopus.
La estrategia de búsqueda seguida en el estudio se
resume en la Figura 2.
Figura 2: Búsqueda sistemática
B. Identificación y clasificación de metodologías
Tras aplicar los criterios de inclusión y exclusión
descritos, se seleccionaron 61 estudios para el
análisis detallado. A partir de estos, se procedió a
identificar y clasificar las metodologías reportadas
según su enfoque. Para cada metodología se
elaboró una síntesis que incluyó sus principios
fundamentales, el contexto de aplicación y las
técnicas computacionales o experimentales
asociadas.
C. Análisis de beneficios y limitaciones
Se desarrolló una evaluación comparativa de las
metodologías identificadas, considerando criterios
como la precisión en la predicción de propiedades
mecánicas, la facilidad de implementación y los
requisitos computacionales o experimentales. Esta
comparación fue enriquecida con un análisis crítico
de la literatura revisada, lo que permitió identificar
fortalezas, debilidades y aspectos a mejorar en cada
enfoque.
Es importante destacar que, aunque el proceso de
búsqueda se diseñó y ejecutó siguiendo un
protocolo riguroso, transparente y reproducible, esta
investigación se clasifica como una Revisión
Bibliográfica Estructurada y no como una Revisión
Sistemática formal. Esta distinción se fundamenta
en el objetivo central del estudio: no se busca
sintetizar evidencia cuantitativa mediante
metaanálisis ni estimar efectos promedio, sino
analizar, comparar y contextualizar las distintas
metodologías predictivas empleadas en la literatura
para modelar propiedades mecánicas en materiales
compuestos.
III. RESULTADOS
A. Revisión bibliográfica
La pregunta de investigación formulada en el estudio
fue: ¿Cuáles son las metodologías para la
predicción de las propiedades mecánicas de los
materiales compuestos? A partir de este
planteamiento, se procedió a la identificación de los
términos clave que guiarían la búsqueda
bibliográfica. Para este fin, se utilizaron
herramientas de inteligencia artificial (Copilot,
Gemini y ChatGPT) como apoyo complementario
para la generación de sinónimos y la estructuración
de combinaciones booleanas. No obstante, el
Revisión Bibliografica
Identificación y clasificación
de metodologías
Análisis de beneficios y
limitaciones
Definición
tema y
pregunta de
investigación
Identificación
de terminos
clave
Selección de
base de datos
Desarrollo de
estrategias de
busqueda
Ejecucción de
la busqueda
Filtrado de la
literatura
Evaluación
critica
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
5
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
proceso se mantuvo bajo supervisión humana en
todo momento, evitando la automatización total y
garantizando la pertinencia, precisión y validez
científica de los términos seleccionados.
Basándose en estudios previos que validan el uso
de IA en revisiones sistemáticas [13], se definió una
base terminológica sólida y bien fundamentada. Los
términos clave seleccionados fueron: Composite,
Mechanical y Prediction. Estos se eligieron por su
capacidad para abarcar de manera amplia y precisa
los estudios relacionados con materiales
compuestos, sus propiedades mecánicas y los
modelos empleados para su predicción.
Para la recolección de información científica, se
seleccionó la base de datos Scopus como fuente
principal, debido a su reconocido prestigio, amplio
alcance en publicaciones indexadas y alta
pertinencia en las áreas de ingeniería, ciencia de
materiales y tecnología.
Esta plataforma ofreció acceso completo mediante
las credenciales institucionales del autor, lo que
permitió una búsqueda sistemática, amplia y
confiable de literatura especializada. Aunque
existen herramientas orientadas a minería de datos
avanzada, este estudio optó por priorizar la
trazabilidad y la replicabilidad metodológica,
aplicando directamente las cadenas de búsqueda
optimizadas en las bases de datos primarias.
Se definieron dos estrategias de búsqueda,
estructuradas a partir de los términos clave
previamente establecidos. La primera estrategia
"Composite" AND "Mechanical" tuvo como objetivo
identificar investigaciones centradas en la
caracterización de propiedades mecánicas de
materiales compuestos, tales como resistencia,
rigidez y dureza. La segunda estrategia "Composite"
AND "Mechanical" AND "Prediction" estuvo
orientada a localizar estudios enfocados en
metodologías de predicción. Estas combinaciones
permitieron focalizar la revisión en los aspectos
técnicos fundamentales del objeto de estudio.
Con el fin de asegurar la calidad, actualidad y
pertinencia de los estudios seleccionados, se
aplicaron los criterios de inclusión definidos en la
metodología. La aplicación de estos filtros permitió
reducir significativamente el número inicial de
resultados, concentrando el análisis en estudios con
mayor relevancia y valor técnico para el estudio.
La estrategia de búsqueda "Composite" AND
"Mechanical" permitió identificar un total de 24.597
artículos, lo que evidencia un volumen considerable
de estudios enfocados en la caracterización de las
propiedades mecánicas de los materiales
compuestos. Si bien este resultado era previsible,
pone de manifiesto la relevancia de estas
investigaciones, ya que comprender el
comportamiento de los compuestos frente a cargas
externas es fundamental para garantizar su
fiabilidad, durabilidad y desempeño en aplicaciones
estructurales, industriales y tecnológicas.
El análisis de la evolución temporal de las
publicaciones relacionadas con la caracterización
mecánica de materiales compuestos, presentado en
la Figura 3, evidencia un crecimiento significativo en
la producción científica entre los años 2020 y 2023.
Posteriormente, se observa una estabilización en la
cantidad de artículos hacia el 2024. Este
comportamiento refleja un interés que, tras un rápido
ascenso, ha logrado consolidarse, ratificando a esta
línea de investigación como un componente
fundamental en el desarrollo de nuevos materiales
dentro del campo de la ingeniería y la innovación
tecnológica.
Figura 3: Evolución temporal de publicaciones
científicas con las palabras clave 'Mechanical' y
'Composite'
la Figura 4 muestra la distribución geográfica de la
producción científica en el área, destacando a
China, Estados Unidos e India como los países con
mayor número de publicaciones relacionadas con
materiales compuestos y sus propiedades
mecánicas. Este volumen de producción científica
es consistente con la elevada demanda de
materiales compuestos en estas regiones para
sectores estratégicos como la aeronáutica, la
automoción, la construcción y las energías
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
6
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
renovables, lo cual ha incentivado la generación de
conocimiento técnico especializado [14].
Figura 4: Distribución por país de publicaciones
científicas sobre estudios en propiedades
mecánicas en materiales compuestos
La búsqueda realizada con la estrategia
“Composite” AND “Mechanical” AND “Prediction”
arrojó 3.028 resultados, lo que representa una
disminución sustancial en comparación con la
búsqueda anterior que no incluía el término
“Prediction”. Esta reducción se debe a que el
enfoque predictivo añade un nivel adicional de
especialización, lo cual restringe el espectro general
de estudios disponibles. No obstante, la inclusión de
este término permitió enfocar la búsqueda en
investigaciones que incorporan modelos y
herramientas analíticas orientadas a la estimación
de propiedades mecánicas, aportando así un valor
diferencial al análisis.
A pesar del menor volumen global de resultados, el
comportamiento temporal de las publicaciones,
representado en la Figura 5, muestra una tendencia
creciente en los últimos años. Este aumento refleja
el creciente interés de la comunidad científica por
incorporar métodos predictivos en el estudio de
materiales compuestos. Dicha tendencia es
consistente con la literatura reciente, la cual destaca
una mayor adopción de herramientas
computacionales y de inteligencia artificial debido a
su capacidad para modelar comportamientos
complejos con mayor eficiencia que los métodos
tradicionales [7].
Figura 5: Evolución temporal de publicaciones
científicas con las palabras clave 'Mechanical’,
'Composite' y 'Prediction'
La Figura 6 reafirma el liderazgo de China y Estados
Unidos como los principales países productores de
conocimiento en el ámbito de la predicción de
propiedades mecánicas en materiales compuestos.
Su protagonismo ha impulsado el desarrollo de
enfoques predictivos cada vez más avanzados,
consolidándolos como referentes globales en la
aplicación de modelos computacionales y técnicas
de simulación para el diseño y análisis de estos
materiales.
Figura 6: Distribución por país de publicaciones
científicas sobre predicción de propiedades
mecánicas en materiales compuestos
B. Identificación y Clasificación de Metodologías
A partir de la revisión bibliográfica realizada, se
constató que la predicción de las propiedades
mecánicas de los materiales compuestos constituye
un desafío técnico considerable, debido a la
naturaleza heterogénea y anisotrópica de estos
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
7
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
materiales [15]. Esta complejidad ha dado lugar al
desarrollo de múltiples enfoques metodológicos,
cada uno orientado a capturar distintos aspectos del
comportamiento mecánico de los compuestos.
Mediante la aplicación rigurosa de los criterios de
selección y una revisión crítica de los resultados
obtenidos en Scopus, se delimitó un numero de 61
estudios idóneos para el análisis por su calidad
metodológica y relevancia temática. De manera
general, las metodologías identificadas pueden
agruparse en cuatro categorías principales: modelos
analíticos, simulaciones numéricas con métodos de
elementos finitos, técnicas de inteligencia artificial y
pruebas experimentales.
• Modelos analíticos:
Los enfoques tradicionales para predecir las
propiedades mecánicas de los materiales
compuestos suelen basarse en modelos analíticos
que tienen en cuenta las propiedades de los
componentes individuales y sus interacciones [16].
Por ejemplo, la regla de las mezclas y otros modelos
micromecánicos como el de Chamis, Halpin Tsai y
Nielson se han utilizado ampliamente para estimar
las propiedades efectivas de los compuestos
basándose en las fracciones de volumen y las
propiedades mecánicas de las fibras y la matriz [17].
Sin embargo, estas aproximaciones, que establecen
límites teóricos para propiedades como el módulo de
Young, se sustentan en supuestos ideales:
deformación y esfuerzo uniformes. Tales
condiciones simplifican en exceso el
comportamiento real, ignorando la heterogeneidad
microestructural y la interacción compleja entre
fases. Como resultado, su aplicabilidad se restringe
a escenarios idealizados, ofreciendo predicciones
aproximadas más que representaciones precisas
del comportamiento del material [18].
Modelos más sofisticados basados en
micromecánica, como el método de Eshelby para
inclusiones equivalentes y su extensión al modelo
de Mori-Tanaka, representan un avance significativo
[18]. Estos métodos consideran el campo de tensión
perturbado generado por las inclusiones (fibras)
dentro de una matriz infinita, permitiendo estimar
tensores de rigidez elástica mediante el uso del
tensor de concentración de deformación. Este
enfoque aborda la interacción entre fase y matriz de
forma más rigurosa que los modelos puramente
empíricos o semiempíricos, incorporando aspectos
geométricos y mecánicos de las inclusiones, como
su forma, orientación y concentración volumétrica
[19].
A pesar de los avances logrados, los modelos
analíticos presentan una limitación fundamental, su
incapacidad para representar fenómenos
localizados, como las concentraciones de esfuerzos
en interfaces, la formación de microgrietas y la
influencia de una microestructura aleatoria [20]. En
consecuencia, su aplicación se restringe
principalmente a la estimación de propiedades
elásticas globales bajo condiciones de carga
simples.
• Elementos finitos:
El análisis de elementos finitos es un método
numérico prevalente utilizado para predecir el
comportamiento mecánico de los materiales
compuestos bajo diversas condiciones de carga.
Las simulaciones permiten el modelado detallado de
la microestructura del material compuesto, incluida
la disposición de las fibras y las propiedades de la
matriz [21]. Este método permite reproducir los
efectos de geometrías complejas y escenarios de
carga, lo que lo hace muy valioso para aplicaciones
de ingeniería.
Además, se han desarrollado técnicas de modelado
mesomecánico para analizar las características
mecánicas de los materiales compuestos tejidos y
textiles, considerando los hilos como estructuras
homogéneas [22]. Estos enfoques permiten vincular
la arquitectura interna del material con su respuesta
mecánica global, integrando las interacciones
locales en el análisis del componente final.
Sin embargo, la aplicación rigurosa del Método de
Elementos Finitos a materiales compuestos exige
una profundización en las metodologías
constitutivas. La capacidad de modelar la
microestructura se ejecuta mediante la
Micromecánica Computacional, que emplea el MEF
para analizar un Elemento de Volumen
Representativo (RVE) bajo condiciones de frontera
periódicas. Este enfoque es fundamental para el
proceso de homogeneización, ya que permite
determinar las propiedades mecánicas efectivas
macroscópicas y anisotrópicas [23].
Para la predicción precisa del comportamiento no
lineal y el fallo, las simulaciones por MEF deben
integrar modelos constitutivos avanzados. Estos
incluyen los Modelos de Daño Progresivo Continuo
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
8
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
(CDM), que utilizan variables internas para degradar
la rigidez de la fibra o la matriz a medida que se
acumula el daño [24]. También se emplean los
Modelos de Zona Cohesiva (CZM), los cuales son
críticos para simular la delaminación en laminados
al definir la relación tensión-apertura en las
interfaces interlaminares y permitir la predicción de
la iniciación y propagación de grietas. En este
contexto, la implementación de las leyes de tracción-
separación entre la fibra y la matriz es crucial para
modelar la separación a microescala, promoviendo
la delaminación en la respuesta estructural del
material homogenizado [25].
Es imperativo reconocer los desafíos técnicos del
método. El modelado de RVEs con el detalle
necesario para la interfaz fibra-matriz resulta en un
alto coste computacional. Para abordar esto, las
estrategias de vanguardia en ingeniería
computacional incluyen el uso de técnicas
multiescala, donde las propiedades
microestructurales se calculan y se utilizan solo en
las regiones del modelo macroscópico que
experimentan altos gradientes de tensión,
optimizando significativamente los recursos
computacionales [23]. Esta aproximación es
especialmente relevante en el análisis de
estructuras sometidas a cargas extremas, como
explosiones, donde la captura precisa de fenómenos
de perforación sigue siendo un reto importante [24].
• Técnicas de inteligencia artificial:
En los últimos años, el aprendizaje automático ha
surgido como una poderosa herramienta para
predecir las propiedades mecánicas de los
materiales compuestos. Se han empleado técnicas
como las redes neuronales artificiales y el
aprendizaje profundo para analizar grandes
conjuntos de datos e identificar patrones que se
correlacionan con el rendimiento mecánico [26].
Estos métodos pueden manejar las complejidades
de las microestructuras de materiales compuestos y
han demostrado ser prometedores para mejorar la
precisión de la predicción en comparación con los
modelos tradicionales. Por ejemplo, se han utilizado
algoritmos de aprendizaje automático para predecir
las propiedades de los nanocompuestos, en los que
las interacciones a nanoescala influyen
significativamente en el comportamiento mecánico
global [27]. La integración del aprendizaje
automático con los enfoques de modelado
tradicionales está allanando el camino para la
creación de marcos de predicción más robustos que
puedan adaptarse a nuevos materiales y
configuraciones.
En complemento a las técnicas generales descritas,
la literatura reciente ha incorporado algoritmos de
inteligencia artificial (IA) que mejoran
significativamente la predicción de propiedades en
materiales compuestos. Modelos supervisados
como Random Forest y XGBoost son
particularmente efectivos para predecir propiedades
mecánicas (módulo de elasticidad, resistencia) a
partir de datos experimentales limitados o con alta
variabilidad, superando en estabilidad a las redes
neuronales tradicionales en estos escenarios [26].
Para datos de imagen, las Redes Neuronales
Convolucionales (CNN) han demostrado un
rendimiento excepcional. Pueden predecir
directamente campos de esfuerzo y deformación a
partir de micrografías (SEM, tomografía) sin
necesidad de modelado físico explícito. Por ejemplo,
una CNN entrenada con imágenes segmentadas de
microestructuras de polímeros reforzados logró
predecir el campo de esfuerzos con una precisión
del 99% respecto a simulaciones FEM, reduciendo
el tiempo de cálculo de 92.5 horas a segundos [28].
Esta capacidad permite identificar zonas de alto
esfuerzo, potenciales puntos de fallo o daño
incipiente, directamente desde la imagen de la
microestructura.
Modelos más recientes, como las Redes Neuronales
de Grafos (GNN), modelan la microestructura como
un grafo capturando con mayor fidelidad la relación
entre la arquitectura interna y la respuesta mecánica
global [29].
A pesar de sus ventajas, estos enfoques enfrentan
desafíos críticos. La calidad y cantidad de datos
siguen siendo el cuello de botella: conjuntos
pequeños, ruido experimental y falta de
estandarización llevan fácilmente a sobreajuste. La
interpretabilidad también es una limitación
importante, muchos modelos siguen siendo "cajas
negras", dificultando la comprensión física de las
relaciones aprendidas [30].
• Pruebas experimentales:
La predicción de las propiedades mecánicas de los
materiales compuestos a partir de pruebas
experimentales es un proceso integral que combina
observaciones empíricas con fundamentos teóricos.
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
9
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
En estos materiales, el comportamiento mecánico
está condicionado por múltiples variables, entre
ellas la naturaleza de los refuerzos (como fibras
naturales o sintéticas), la matriz (polimérica,
metálicas o cerámica), la calidad de la interfaz fibra-
matriz, las técnicas de procesamiento empleadas y
las condiciones de carga a las que serán sometidos
[31].
Uno de los objetivos centrales de esta evaluación es
establecer relaciones cuantificables entre la
microestructura interna del compuesto y su
respuesta mecánica global. Para ello, se recurre a
ensayos estandarizados como tracción,
compresión, flexión o impacto, los cuales permiten
caracterizar propiedades clave como el módulo de
elasticidad, la resistencia última, la deformación a
ruptura y la tenacidad [32].
Estos ensayos no solo permiten comparar
composiciones o métodos de fabricación, sino que
también sirven como base para alimentar modelos
predictivos y validar simulaciones numéricas. La
información obtenida es crucial para optimizar el
diseño de compuestos y garantizar su desempeño
en aplicaciones estructurales exigentes [33].
C. Análisis de beneficios y limitaciones
A continuación, se relacionan los beneficios y
limitaciones de cada una de las metodologías
utilizadas para la predicción de propiedades de los
materiales compuestos
• Pruebas experimentales:
Una de las principales ventajas de las pruebas
experimentales es la obtención de datos empíricos
confiables, ya que permiten medir directamente
propiedades como la resistencia a la tracción,
proporcionando datos esenciales para aplicaciones
industriales, Además, los datos experimentales son
fundamentales para la validación de modelos
analíticos, aumentando la confiabilidad de las
predicciones sobre el comportamiento de los
materiales. Esta validación también se extiende a
modelos computacionales y simulaciones, lo que
garantiza que reflejen con precisión el
comportamiento de los materiales reales y mejora la
eficiencia en el diseño de nuevos compuestos [34].
Otra ventaja significativa es la posibilidad de
explorar nuevas formulaciones, como
combinaciones innovadoras de refuerzos híbridos
(vidrio-carbono), optimizando las propiedades de los
materiales [35]. Asimismo, estas pruebas permiten
estudiar parámetros específicos, como la
orientación de las fibras, la composición de la matriz
y las condiciones ambientales, para comprender su
influencia en el rendimiento mecánico [36].
adicionalmente, los ensayos experimentales
facilitan la identificación de mecanismos de falla,
proporcionando información crucial para
aplicaciones de alta seguridad en la ingeniería
aeroespacial, automotriz y civil [37].
Por otro lado, estas pruebas presentan desventajas
significativas. Una de las principales es el alto costo
asociado con los equipos especializados, el
personal capacitado y los protocolos de prueba
extensivos, lo que representa un reto económico,
especialmente en proyectos con recursos limitados
[38]. Además, la variabilidad inherente en los
materiales, debido al proceso de fabricación y las
condiciones ambientales, puede dificultar la
interpretación de los resultados y la generalización
de los hallazgos [39].
Otra limitación es que las pruebas de laboratorio no
siempre logran simular las complejas condiciones
operativas, como cambios de temperatura,
absorción de humedad y cargas de fatiga, lo que
puede reducir la aplicabilidad de los resultados [40].
Además, la incorporación de partículas o
nanopartículas en una matriz polimérica representa
un desafío significativo debido a las marcadas
diferencias en las propiedades fisicoquímicas entre
ambas fases como la polaridad, la energía de
superficie y la compatibilidad interfacial lo que
favorece la aglomeración, dificulta la transferencia
eficaz de carga y debilita la adherencia en la interfaz,
comprometiendo así la homogeneidad del
compuesto y reduciendo la eficacia del refuerzo
[41].
Esta incompatibilidad se agrava por la necesidad de
tratamientos superficiales precisos, condiciones de
dispersión controladas y un estricto seguimiento de
parámetros de procesamiento como la temperatura,
el tiempo de mezcla y la velocidad de agitación, lo
que incrementa considerablemente la complejidad
técnica, el tiempo de desarrollo y los costos de
producción, limitando la escalabilidad de estos
materiales en aplicaciones industriales [42].
La necesidad de realizar múltiples tipos de ensayos,
como tracción, compresión y corte, para obtener una
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
10
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
visión completa de las propiedades mecánicas
también incrementa los costos y el tiempo necesario
[43]. Además, los efectos de escala en los ensayos
pueden generar discrepancias, ya que las pruebas
en especímenes pequeños no siempre representan
el comportamiento de componentes o estructuras
más grandes [44].
• Modelos analíticos:
Los modelos analíticos ofrecen una herramienta
eficiente para predecir propiedades mecánicas de
materiales compuestos, gracias a su simplicidad
matemática y bajo requerimiento computacional.
Permiten estimar parámetros como los módulos de
elasticidad (longitudinal y transversal), módulos de
corte y coeficientes de Poisson de forma rápida,
reduciendo significativamente la dependencia de
ensayos experimentales y simulaciones avanzadas
[45], [46].
Una de sus principales fortalezas es la optimización
de recursos, tanto en tiempo como en costos. Al
disminuir la necesidad de pruebas físicas
prolongadas y cálculos complejos, estos modelos
agilizan el diseño y desarrollo de nuevos materiales,
lo que se traduce en procesos más económicos y
eficientes [47].
Asimismo, destacan por su capacidad predictiva. Al
incorporar variables microestructurales como el
contenido y orientación de fibras, o la presencia de
defectos, permiten anticipar el comportamiento del
material compuesto antes de su fabricación.
Modelos como el de Halpin-Tsai ejemplifican este
enfoque al facilitar la optimización de propiedades
como la durabilidad y la vida útil [48].
Su versatilidad y facilidad de implementación
amplían su aplicabilidad en múltiples sectores,
desde la ingeniería civil hasta el desarrollo de
compuestos híbridos sostenibles. Su formulación
simple permite una integración directa en
herramientas computacionales y los convierte en un
complemento valioso para simulaciones por
elementos finitos durante las fases iniciales del
diseño [18].
Sin embargo, los modelos micromecánicos
analíticos presentan diversas limitaciones. Una de
las principales es su dependencia de suposiciones
simplificadoras, como la homogeneidad, isotropía,
elasticidad lineal, geometrías idealizadas y una
perfecta adherencia entre la matriz y el refuerzo, las
cuales no siempre representan adecuadamente la
complejidad de los materiales compuestos reales
[2].
Otra limitación importante es su aplicabilidad
restringida a configuraciones específicas, como
refuerzos unidireccionales o distribuciones
regulares de fibras. Estos modelos no son
adecuados para arquitecturas complejas, como
tejidos tridimensionales o compuestos trenzados, lo
que limita su utilidad en diseños más avanzados
[49].
Además, la precisión de sus predicciones depende
en gran medida de la calidad de los parámetros de
entrada, como propiedades mecánicas de los
componentes, fracciones volumétricas y geometrías
internas. Estos parámetros son altamente sensibles
a las variaciones microestructurales, lo que puede
generar discrepancias significativas entre el modelo
y el comportamiento real del material [50].
Estos modelos suelen omitir los efectos
ambientales, como la temperatura y la humedad, lo
que compromete su precisión en condiciones de
servicio variables. Además, aunque se basan en
formulaciones teóricas, requieren validación
experimental para garantizar su confiabilidad, lo cual
implica inversiones adicionales en tiempo y recursos
[51].
• Elementos finitos:
Una de las principales ventajas del FEM es su
capacidad para modelar geometrías complejas y
materiales heterogéneos. Este método permite
discretizar estructuras compuestas en elementos
finitos, representando diferentes fases del material y
sus interacciones. Además, el FEM tiene la
capacidad de analizar escenarios tanto estáticos
como dinámicos, lo que permite explorar
mecanismos de daño en la matriz y las fibras de
compuestos bajo diversas condiciones de carga
[52].
Otra ventaja importante es la incorporación de
modelos avanzados de materiales. El FEM permite
modelar comportamientos únicos, como anisotropía
y viscoelasticidad, que son esenciales para
caracterizar materiales compuestos [53]. Asimismo,
ofrece una mayor precisión en comparación con los
métodos analíticos tradicionales, que a menudo
simplifican en exceso el comportamiento de los
materiales. El FEM proporciona un nivel de detalle
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
11
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
superior para reflejar la realidad de los compuestos
[54].
El FEM también destaca por su capacidad para
realizar estudios paramétricos y optimizar diseños.
Permite variar parámetros de diseño, como la
orientación de las fibras, la secuencia de apilamiento
y las propiedades materiales, con el fin de identificar
configuraciones óptimas que ofrezcan un
rendimiento mecánico deseado [55].
Sin embargo, el FEM presenta también desventajas
importantes. Una de ellas es la complejidad en la
creación de modelos. El proceso de mallado puede
ser laborioso y requiere precisión para representar
adecuadamente la geometría y las propiedades del
material. Los materiales compuestos, al ser
heterogéneos y contener múltiples fases con
propiedades mecánicas distintas, exigen modelos
detallados que aumentan significativamente los
costos computacionales y el tiempo requerido [15].
Otra limitación significativa son las altas demandas
computacionales. La discretización completa de
todas las fases de un compuesto puede generar un
alto número de elementos finitos, incrementando la
complejidad y los tiempos de simulación. La
generación de mallas detalladas para modelos a
gran escala o geometrías complejas puede ser
intensiva en tiempo y recursos computacionales, lo
que limita su aplicabilidad en ciertas industrias [56].
El FEM también depende de la calidad de los datos
de entrada. La precisión del método está
estrechamente vinculada a la calidad de las
propiedades del material y las condiciones de
contorno, que pueden ser difíciles de obtener en
compuestos heterogéneos. Además, los errores
numéricos asociados al tamaño de la malla y al tipo
de elemento pueden afectar la convergencia y la
estabilidad de las soluciones [57].
Las simulaciones FEM requieren validación
experimental para garantizar la precisión y evitar
interpretaciones erróneas. Esto implica
complementar el trabajo computacional con datos
experimentales, lo que añade tiempo y esfuerzo al
proceso [58].
• Técnicas de inteligencia artificial:
Una de las principales ventajas de la IA es su
capacidad para analizar grandes volúmenes de
datos y detectar patrones complejos. Por ejemplo, el
aprendizaje automático permite identificar
relaciones en conjuntos de datos masivos que son
difíciles de detectar con métodos tradicionales,
facilitando el diseño de materiales con propiedades
específicas superiores [59].
Otra ventaja es la reducción de costos y tiempo en
pruebas experimentales, ya que la IA puede utilizar
datos existentes para realizar predicciones,
acelerando significativamente el desarrollo de
nuevos materiales [26].
La inteligencia artificial destaca por su adaptabilidad
a nuevos materiales y condiciones, una ventaja
clave en el dinámico campo de los materiales
compuestos. Además, los algoritmos de aprendizaje
automático mejoran continuamente sus
predicciones al aprender de los datos, descubriendo
relaciones ocultas entre estructura y propiedades
[27].
A pesar de sus ventajas, la inteligencia artificial
enfrenta desafíos importantes, como la necesidad
de datos de alta calidad. La falta de datos
representativos puede generar predicciones
erróneas, y el uso de conjuntos pequeños aumenta
el riesgo de sobreajuste, afectando su capacidad de
generalización [60], [61].
Otra desventaja, especialmente en el caso del
aprendizaje profundo, es su limitada
interpretabilidad, lo que dificulta comprender cómo
se generan las predicciones y restringe su uso en
contextos críticos. Asimismo, su desempeño es
altamente sensible a la elección del algoritmo y de
los hiperparámetros, cuyo ajuste puede requerir un
alto costo computacional y afectar significativamente
los resultados [62].
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
12
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
Tabla 1: Comparación de las metodologías
Integrar la inteligencia artificial con metodologías
tradicionales es un desafío porque combina
enfoques empíricos con modelos basados en
principios físicos. Por ejemplo, fusionar
simulaciones de dinámica molecular con IA exige un
conocimiento profundo de ambas técnicas [27].
Además, aunque la IA puede modelar relaciones
complejas entre composición y propiedad, suele
fallar al captar relaciones sistemáticas entre
estructura y propiedad, fundamentales para predecir
el comportamiento de los materiales [63].
Los altos costos computacionales del entrenamiento
de modelos de aprendizaje profundo son una
barrera importante, especialmente para
arquitecturas complejas que requieren recursos de
alto rendimiento, lo que puede limitar su adopción
[64].
En la tabla 1 se presenta una comparación de
factores clave, como precisión, costo, tiempo,
flexibilidad, requerimientos técnicos, repetibilidad y
capacidad predictiva, entre los métodos
experimental, modelos analíticos, elementos finitos
e inteligencia artificial (IA).
Los valores asignados en la Tabla 1 se fundamentan
en el análisis crítico de la literatura revisada y en las
características inherentes a cada enfoque.
Por ejemplo, la alta precisión atribuida a los métodos
experimentales se justifica por su capacidad de
medir directamente el comportamiento real del
material bajo condiciones controladas, tal como se
observa en ensayos estandarizados de tracción o
flexión [32]. En contraste, la precisión moderada de
los modelos analíticos deriva de sus supuestos
simplificadores, como la perfecta adherencia fibra-
matriz o la distribución uniforme de refuerzos, lo cual
puede desviarse significativamente del
comportamiento real en compuestos con
arquitecturas complejas [10].
De manera similar, el alto costo de los métodos
experimentales refleja no solo el gasto en equipos
especializados y personal capacitado [35], sino
también el tiempo requerido para fabricar múltiples
muestras y realizar diferentes tipos de ensayos [49].
Por otro lado, los modelos analíticos obtienen una
calificación de bajo costo debido a su naturaleza
computacionalmente ligera y su implementación en
cálculos manuales o hojas de cálculo simples, lo que
los hace accesibles incluso con recursos limitados.
En cuanto a la capacidad predictiva, la inteligencia
artificial recibe una valoración de "Muy Alta" porque
algoritmos como las Redes Neuronales
Convolucionales (CNN) han demostrado predecir
campos de esfuerzo directamente desde
micrografías con precisión superior al 99 % respecto
a simulaciones por elementos finitos [28]. Este tipo
de avance ilustra el potencial transformador de la IA
Factor
Experimental
Elementos Finitos
IA (ML/DL)
Precisión
Alta (datos empíricos confiables,
pero depende de la calidad del
ensayo)
Alta (si se refina la malla
y se usan datos
precisos)
Alta (depende de
calidad y cantidad de
datos de
entrenamiento)
Costo
Alto (equipos especializados y
personal capacitado)
Moderado-Alto (software
y tiempo computacional)
Moderado-Alto
(recursos
computacionales y de
datos)
Tiempo
Largo (ensayos físicos requieren
tiempo significativo)
Moderado (depende de
la complejidad del
modelo)
Moderado
(entrenamiento de
modelos puede ser
intensivo)
Flexibilidad
Baja (ensayos limitados a
muestras específicas)
Moderada (puede
ajustarse a diferentes
escenarios)
Alta (adaptable a
múltiples condiciones
y materiales)
Requerimientos
Técnicos
Alto (experiencia en laboratorio y
protocolos estrictos)
Alto (dominio de software
especializado como FEM
requerido)
Alto (conocimiento en
IA, programación y
datos necesario)
Repetibilidad
Moderada (variabilidad en
materiales afecta resultados)
Alta (resultados
consistentes con
modelos bien definidos)
Alta (si el modelo está
entrenado con datos
representativos)
Capacidad
Predictiva
Moderada (limitado a las
configuraciones probadas)
Alta (permite explorar
configuraciones no
experimentadas)
Muy Alta (descubre
patrones complejos
en grandes datos)
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
13
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
en escenarios donde se dispone de datos
representativos.
Cabe destacar que, la flexibilidad alta de las técnicas
de IA se sustenta en su capacidad para adaptarse a
nuevas configuraciones de materiales sin necesidad
de reformulaciones teóricas completas,
simplemente mediante reentrenamiento con nuevos
datos [62]. Esta característica contrasta con los
modelos analíticos, cuya aplicabilidad está
restringida a geometrías y condiciones específicas
[51].
D. Perspectivas futuras
El análisis comparativo de metodologías para
predecir propiedades mecánicas en compuestos
revela una transición hacia un ecosistema predictivo
integrado, donde los enfoques físicos y de
inteligencia artificial ya no se oponen, sino que se
refuerzan mutuamente [65], [66].
La simulación por elementos finitos se está
acelerando mediante modelos sustitutos guiados
por principios físicos, mientras que redes
convolucionales y de grafos extraen
comportamiento mecánico directamente de
imágenes microestructurales, eliminando la
necesidad de modelado explícito. Esta convergencia
entre visión artificial y mecánica de medios
continuos redefine la predicción: ya no es una
extrapolación teórica, sino una interpretación
inteligente de la realidad material.
Sin embargo, persisten barreras críticas. La escasez
de datos estandarizados, representativos y bien
documentados limita la generalización y favorece el
sobreajuste. Además, la opacidad de los modelos de
aprendizaje profundo genera desconfianza en
entornos industriales, donde se exige trazabilidad
mecanicista. La mayoría de estos modelos ignoran
condiciones reales de servicio reduciendo su
aplicabilidad práctica.
Las rutas más prometedoras apuntan a marcos
híbridos: integrar la solidez de los modelos físicos
con la adaptabilidad de la IA, sin sacrificar los
principios fundamentales. Es urgente desarrollar
bases de datos abiertas que incluyan propiedades
mecánicas, parámetros de procesamiento,
tratamientos superficiales y condiciones
ambientales.
Paralelamente, se necesita inteligencia artificial
explicable, capaz de vincular predicciones con
mecanismos observables para convertir
predicciones eficientes en decisiones de diseño
confiables, seguras y sostenibles.
IV. CONCLUSIONES
El estudio reveló que las metodologías para la
predicción de propiedades mecánicas de materiales
compuestos se agrupan principalmente en enfoques
experimentales, analíticos, numéricos (FEM) y de
inteligencia artificial, cada uno con sus ventajas y
limitaciones, pero a menudo complementarios entre
sí.
El análisis comparativo de estas metodologías
permitió identificar sus fortalezas y desafíos. Las
pruebas experimentales destacan por su alta
precisión y fiabilidad, aunque presentan limitaciones
en términos de costos, tiempo y replicabilidad en
condiciones reales. Los modelos analíticos, por su
parte, ofrecen rapidez y simplicidad, pero su
aplicabilidad está restringida por las simplificaciones
que asumen en su formulación.
El método de elementos finitos (FEM) sobresale
como una herramienta poderosa para modelar
configuraciones complejas, aunque requiere
recursos computacionales significativos y validación
experimental. En contraste, las técnicas de
inteligencia artificial, como el aprendizaje automático
y profundo, muestran un gran potencial para
manejar datos complejos y reducir costos
experimentales. Sin embargo, estas técnicas
enfrentan desafíos relacionados con la calidad de
los datos y la interpretabilidad de los modelos.
Este estudio subraya la importancia de integrar
enfoques complementarios para enfrentar la
complejidad inherente a los materiales compuestos.
Una combinación estratégica de métodos
experimentales, analíticos, FEM y técnicas de
inteligencia artificial puede generar predicciones
más precisas y robustas, optimizando el diseño y
desarrollo de estos materiales. La selección del
método más adecuado dependerá del contexto de
aplicación y de los recursos disponibles.
V. REFERENCIAS
[1] V. S. Hiremath, D. M. Reddy, R. Reddy
Mutra, A. Sanjeev, T. Dhilipkumar, y N. J, «Thermal
degradation and fire retardant behaviour of natural
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
14
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
fibre reinforced polymeric composites- A
comprehensive review», J. Mater. Res. Technol.,
vol. 30, pp. 4053-4063, may 2024, doi:
10.1016/j.jmrt.2024.04.085.
[2] Y. Wang y Z. Huang, «A Review of
Analytical Micromechanics Models on Composite
Elastoplastic Behaviour», Procedia Eng., vol. 173,
pp. 1283-1290, 2017, doi:
10.1016/j.proeng.2016.12.159.
[3] G. Qin, Q. Fan, P. Mi, M. Li, W. Mu, y J. Na,
«Review of aging mechanisms, mechanical
properties, and prediction models of fiber-reinforced
composites in natural environments», Polym.
Compos., vol. 45, n.o 16, pp. 14448-14474, 2024,
doi: 10.1002/pc.28799.
[4] R. Phiri, S. Mavinkere Rangappa, S.
Siengchin, O. P. Oladijo, y T. Ozbakkaloglu,
«Advances in lightweight composite structures and
manufacturing technologies: A comprehensive
review», Heliyon, vol. 10, n.o 21, p. e39661, nov.
2024, doi: 10.1016/j.heliyon.2024.e39661.
[5] D. D. Olodu, G. O. Okagbare, y S. O. Ikri, «A
Review on the Industrial Applications and Properties
of Fiber-Reinforced and Other Polymeric
Composites», NIPES - J. Sci. Technol. Res., vol. 4,
n.o 2, jun. 2022, doi: 10.37933/nipes/4.2.2022.15.
[6] P.-H. Lai, E. D. Gomez, B. D. Vogt, y W. F.
Reinhart, «Predicting the Strength of Composites
with Computer Vision Using Small Experimental
Datasets», ACS Mater. Lett., vol. 7, n.o 4, pp. 1503-
1511, abr. 2025, doi:
10.1021/acsmaterialslett.4c02424.
[7] M. Karuppusamy, R. Thirumalaisamy, S.
Palanisamy, S. Nagamalai, E. El Sayed Massoud, y
N. Ayrilmis, «A review of machine learning
applications in polymer composites: advancements,
challenges, and future prospects», J. Mater. Chem.
A, vol. 13, n.o 22, pp. 16290-16308, 2025, doi:
10.1039/D5TA00982K.
[8] H. Alotaibi, C. Soutis, y M. Jabbari, «FEM
and FVM Methods for Design and Manufacturing of
Hierarchical Aerospace Composites: A Review»,
Appl. Sci., vol. 15, n.o 16, p. 8896, ago. 2025, doi:
10.3390/app15168896.
[9] M. Y. Salim et al., «Natural fibre-reinforced
thermoplastic composites: A bibliometric analysis
and review of eco-friendly solutions in exterior
automotive components», J. Mater. Res. Technol.,
vol. 39, pp. 6755-6774, nov. 2025, doi:
10.1016/j.jmrt.2025.10.230.
[10] B. Raju, S. R. Hiremath, y D. Roy
Mahapatra, «A review of micromechanics based
models for effective elastic properties of reinforced
polymer matrix composites», Compos. Struct., vol.
204, pp. 607-619, nov. 2018, doi:
10.1016/j.compstruct.2018.07.125.
[11] V. Panwar, P. Gupta, A. K. Bagha, y N.
Chauhan, «A Review on studies of Finite Element
Model Updating and Updating of Composite
Materials», Mater. Today Proc., vol. 5, n.o 14, pp.
27912-27918, 2018, doi:
10.1016/j.matpr.2018.10.030.
[12] S. S. Sorour, C. A. Saleh, y M. Shazly, «A
review on machine learning implementation for
predicting and optimizing the mechanical behaviour
of laminated fiber-reinforced polymer composites»,
Heliyon, vol. 10, n.o 13, p. e33681, jul. 2024, doi:
10.1016/j.heliyon.2024.e33681.
[13] A. C. Picalho, G. R. D. Oliveira, y A. S.
Cativelli, «Inteligência artificial no levantamento
bibliográfico em bases de dados científicos:
comparando expressões de busca no ChatGPT,
Copilot e Gemini», RDBCI Rev. Digit. Bibl. E Ciênc.
Informação, vol. 23, p. e025013, feb. 2025, doi:
10.20396/rdbci.v23i00.8678378.
[14] C. Veres y M. Tănase, «A Bibliometric and
Systematic Review of the Use of Recycled
Composite Materials with an Emphasis on the
Mechanical Performance of Structures», Materials,
vol. 18, n.o 3, p. 607, ene. 2025, doi:
10.3390/ma18030607.
[15] D. E. S. Rodrigues, J. Belinha, F. M. A.
Pires, L. M. J. S. Dinis, y R. M. N. Jorge,
«Homogenization technique for heterogeneous
composite materials using meshless methods», Eng.
Anal. Bound. Elem., vol. 92, pp. 73-89, jul. 2018, doi:
10.1016/j.enganabound.2017.12.012.
[16] A. Jasti, B. Akhil Chandra, y S. Biswas,
«Modified Halpin–Tsai model for predicting the
mechanical properties of polymer composites
reinforced with different cross-sectional fibers»,
Mater. Today Proc., vol. 91, pp. 14-18, 2023, doi:
10.1016/j.matpr.2023.04.131.
[17] Y. Wang y Z. Huang, «Analytical
Micromechanics Models for Elastoplastic Behavior
of Long Fibrous Composites: A Critical Review and
Comparative Study», Materials, vol. 11, n.o 10, p.
1919, oct. 2018, doi: 10.3390/ma11101919.
[18] Y. C. Kim, H.-K. Jang, G. Joo, y J. H. Kim,
«A Comparative Study of Micromechanical Analysis
Models for Determining the Effective Properties of
Out-of-Autoclave Carbon Fiber–Epoxy
Composites», Polymers, vol. 16, n.o 8, p. 1094, abr.
2024, doi: 10.3390/polym16081094.
[19] M. V. F. Machado, F. P. D. Lopes, N. T.
Simonassi, E. A. D. Carvalho, y S. N. Monteiro,
«Micromechanics for polymer matrix laminated
composites: a literature review of fundamental
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
15
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
models, advances and a trend analysis for future
researches», Obs. Econ. Latinoam., vol. 23, n.o 5, p.
e10103, may 2025, doi: 10.55905/oelv23n5-182.
[20] L. Wan, Y. Ismail, Y. Sheng, J. Ye, y D.
Yang, «A review on micromechanical modelling of
progressive failure in unidirectional fibre-reinforced
composites», Compos. Part C Open Access, vol. 10,
p. 100348, mar. 2023, doi:
10.1016/j.jcomc.2023.100348.
[21] M. Kim y Y. Kim, «A Thermo-Mechanical
Properties Evaluation of Multi-Directional
Carbon/Carbon Composite Materials in Aerospace
Applications», Aerospace, vol. 9, n.o 8, p. 461, ago.
2022, doi: 10.3390/aerospace9080461.
[22] Y. Xie, G. Huang, H. Zhang, M. Xu, E.
Sitnikova, y S. Li, «Efficient characterization of
mechanical nonlinearity in triaxially braided
composites by a novel unit cell», Compos. Struct.,
vol. 366, p. 119234, ago. 2025, doi:
10.1016/j.compstruct.2025.119234.
[23] N. K. Balasubramani, B. Zhang, N. T.
Chowdhury, A. Mukkavilli, M. Suter, y G. M. Pearce,
«Micro-mechanical analysis on random RVE size
and shape in multiscale finite element modelling of
unidirectional FRP composites», Compos. Struct.,
vol. 282, p. 115081, feb. 2022, doi:
10.1016/j.compstruct.2021.115081.
[24] Z. Guan, «Review of finite element
modelling of composite structures subjected to
extreme loading conditions», Compos. Des. Manuf.,
vol. 1, n.o 1, p. wqaf005, jul. 2025, doi:
10.1093/cdm/wqaf005.
[25] S. P. H. Skovsgaard y S. Heide-Jørgensen,
«Three-dimensional mechanical behavior of
composite with fibre-matrix delamination through
homogenization of micro-structure», Compos.
Struct., vol. 275, p. 114418, nov. 2021, doi:
10.1016/j.compstruct.2021.114418.
[26] F. Kibrete, T. Trzepieciński, H. S.
Gebremedhen, y D. E. Woldemichael, «Artificial
Intelligence in Predicting Mechanical Properties of
Composite Materials», J. Compos. Sci., vol. 7, n.o 9,
p. 364, sep. 2023, doi: 10.3390/jcs7090364.
[27] W. Jin, J. Pei, P. Xie, J. Chen, y H. Zhao,
«Machine Learning-Based Prediction of Mechanical
Properties and Performance of Nickel–Graphene
Nanocomposites Using Molecular Dynamics
Simulation Data», ACS Appl. Nano Mater., vol. 6, n.o
13, pp. 12190-12199, 2023, doi:
10.1021/acsanm.3c01919.
[28] Y. Sun, I. Hanhan, M. D. Sangid, y G. Lin,
«Predicting Mechanical Properties from
Microstructure Images in Fiber-reinforced Polymers
using Convolutional Neural Networks», J. Compos.
Sci., vol. 8, n.o 10, p. 387, sep. 2024, doi:
10.3390/jcs8100387.
[29] Y. Wang, K. Wang, y C. Zhang,
«Applications of artificial intelligence/machine
learning to high-performance composites», Compos.
Part B Eng., vol. 285, p. 111740, oct. 2024, doi:
10.1016/j.compositesb.2024.111740.
[30] N. Franić, I. Pivac, y F. Barbir, «A review of
machine learning applications in hydrogen
electrochemical devices», Int. J. Hydrog. Energy,
vol. 102, pp. 523-544, feb. 2025, doi:
10.1016/j.ijhydene.2025.01.070.
[31] M. Chairi, J. El Bahaoui, I. Hanafi, F. Mata
Cabrera, y G. Di Bella, «Composite Materials: A
Review of Polymer and Metal Matrix Composites,
Their Mechanical Characterization, and Mechanical
Properties», en Next Generation Fiber-Reinforced
Composites - New Insights, L. Li, A. B. Pereira, y A.
L. Pereira, Eds., IntechOpen, 2023. doi:
10.5772/intechopen.106624.
[32] I. Wadgave, S. Kulkarni, S. Katekar, y M.
Kulkarni, «A comprehensive review on: Mechanical
and acoustical characterization of natural fiber-
reinforced composite», Mater. Today Proc., p.
S2214785324002979, may 2024, doi:
10.1016/j.matpr.2024.05.002.
[33] J. Yun, S. Ryu, J. Kim, Y. Kim, y D.-W. Kim,
«Equivalent modeling for the prediction of
mechanical behaviors of composite sandwich
structures with thick cell walls», Compos. Struct., vol.
364, p. 119162, jul. 2025, doi:
10.1016/j.compstruct.2025.119162.
[34] W. Mu, X. Chen, S. Li, Y. Sun, Q. Wang, y J.
Na, «Mechanical Performances Analysis and
Prediction of Short Plant Fiber-Reinforced PLA
Composites», Polymers, vol. 15, n.o 15, p. 3222, jul.
2023, doi: 10.3390/polym15153222.
[35] D. K. Rathore, R. K. Prusty, S. C. Mohanty,
B. P. Singh, y B. C. Ray, «In-situ elevated
temperature flexural and creep response of inter-ply
glass/carbon hybrid FRP composites», Mech.
Mater., vol. 105, pp. 99-111, feb. 2017, doi:
10.1016/j.mechmat.2016.11.013.
[36] H. Wu et al., «Preparation of Bouligand
biomimetic ceramic composites and the effect of
different fiber orientations on mechanical
properties», J. Manuf. Process., vol. 132, pp. 789-
801, dic. 2024, doi: 10.1016/j.jmapro.2024.11.031.
[37] H. Zhang et al., «Mechanical properties and
failure mechanisms of three-dimensional stitched
C/C-SiC ceramic matrix composites», Ceram. Int.,
vol. 50, n.o 24, pp. 55487-55497, dic. 2024, doi:
10.1016/j.ceramint.2024.10.409.
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
16
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
[38] X. Huang, S. Su, Z. Xu, Q. Miao, W. Li, y L.
Wang, «Advanced Composite Materials for Structure
Strengthening and Resilience Improvement»,
Buildings, vol. 13, n.o 10, p. 2406, sep. 2023, doi:
10.3390/buildings13102406.
[39] M. Chen, X. Zhang, K. Shen, y G. Pan,
«Uncertainty quantification and global sensitivity
analysis for composite cylinder shell via data-driven
polynomial chaos expansion», J. Phys. Conf. Ser.,
vol. 2174, n.o 1, p. 012085, ene. 2022, doi:
10.1088/1742-6596/2174/1/012085.
[40] M. Xu, B. Zeng, Z. An, X. Xiong, y X. Cheng,
«Experimental and Numerical Investigation on
Fatigue Properties of Carbon Fiber Cross-Ply
Laminates in Hygrothermal Environments»,
Polymers, vol. 14, n.o 9, p. 1857, abr. 2022, doi:
10.3390/polym14091857.
[41] A. B. Rashid, M. Haque, S. M. M. Islam, y K.
M. R. Uddin Labib, «Nanotechnology-enhanced
fiber-reinforced polymer composites: Recent
advancements on processing techniques and
applications», Heliyon, vol. 10, n.o 2, p. e24692, ene.
2024, doi: 10.1016/j.heliyon.2024.e24692.
[42] A. A. Musa et al., «Nano-Enhanced Polymer
Composite Materials: A Review of Current
Advancements and Challenges», Polymers, vol. 17,
n.o 7, p. 893, mar. 2025, doi:
10.3390/polym17070893.
[43] M. Lezgy-Nazargah, S. A. Emamian, E.
Aghasizadeh, y M. Khani, «Predicting the
mechanical properties of ordinary concrete and
nano-silica concrete using micromechanical
methods», Sādhanā, vol. 43, n.o 12, p. 196, dic.
2018, doi: 10.1007/s12046-018-0965-0.
[44] M. Li, H. Hao, Y. Shi, y Y. Hao, «Specimen
shape and size effects on the concrete compressive
strength under static and dynamic tests», Constr.
Build. Mater., vol. 161, pp. 84-93, feb. 2018, doi:
10.1016/j.conbuildmat.2017.11.069.
[45] G. Habbar, A. Maizia, A. Hocine, J. Ribeiro,
y M. H. Dhaou, «Micromechanical Analysis of a Bio-
Sandwich Application for Cylinder under Pressure»,
J. Compos. Sci., vol. 6, n.o 3, p. 69, feb. 2022, doi:
10.3390/jcs6030069.
[46] Y. Cao, W. Wang, y Q. Wang, «Application
of mechanical model for natural fibre reinforced
polymer composites», Mater. Res. Innov., vol. 18, n.o
sup2, pp. S2-354-S2-357, may 2014, doi:
10.1179/1432891714Z.000000000431.
[47] P. Ewart y J. Verbeek, «Using micro-
mechanical modelling to predict short-fibre
composite properties in computer-aided design of
sporting equipment», Sports Eng., vol. 13, n.o 2, pp.
73-81, ene. 2011, doi: 10.1007/s12283-010-0057-9.
[48] J. M. Díaz-Mendoza, D. J. Valles-Rosales,
Y. H. Park, y R. C. Sabo, «Micromechanical
Modeling for Tensile Properties of Wood Plastic
Composites: Use of Pruned Waste from Pecan
Orchards as Sustainable Material for Reinforcement
of Thermoplastic Composite», Polymers, vol. 14, n.o
3, p. 504, ene. 2022, doi: 10.3390/polym14030504.
[49] H. Yue, C. Lu, C. Wang, y F. Yang,
«Optimizing tensile strength and failure prediction in
hemp fiber composites: Coupling effects of
microfibril angle and fiber orientation under off-axis
loading», Ind. Crops Prod., vol. 222, p. 119872, dic.
2024, doi: 10.1016/j.indcrop.2024.119872.
[50] S. Xu, H. Yang, T. Li, y Y. Zhang, «Data-
driven prediction of mechanical properties of 3D-
printed dual-material composites based on deep
transfer learning», Compos. Part Appl. Sci. Manuf.,
vol. 198, p. 109083, nov. 2025, doi:
10.1016/j.compositesa.2025.109083.
[51] E. A. W. de Menezes, L. Friedrich, A. Colpo,
y S. C. Amico, «Chapter 5 - Micromechanics of
Short-Fiber and Particulate Composites», en
Unsaturated Polyester Resins, S. Thomas, M.
Hosur, y C. J. Chirayil, Eds., Elsevier, 2019, pp. 125-
152. doi: 10.1016/B978-0-12-816129-6.00005-3.
[52] S. David Müzel, E. P. Bonhin, N. M.
Guimarães, y E. S. Guidi, «Application of the Finite
Element Method in the Analysis of Composite
Materials: A Review», Polymers, vol. 12, n.o 4, p.
818, abr. 2020, doi: 10.3390/polym12040818.
[53] N. Shetty, S. M. Shahabaz, S. S. Sharma, y
S. Divakara Shetty, «A review on finite element
method for machining of composite materials»,
Compos. Struct., vol. 176, pp. 790-802, sep. 2017,
doi: 10.1016/j.compstruct.2017.06.012.
[54] W. Hou, X. Xu, H. Wang, y L. Tong,
«Bending behavior of single hat-shaped composite
T-joints under out-of-plane loading for lightweight
automobile structures», J. Reinf. Plast. Compos.,
vol. 37, n.o 12, pp. 808-823, 2018, doi:
10.1177/0731684418764608.
[55] A. Alade y A. Ibrahim, «Application of Finite
Element Method for Mechanical Characterization of
Wood and Reconstituted Lignocellulosic-Based
Composites – A Review», Recent Prog. Mater., vol.
05, n.o 01, pp. 1-37, ene. 2023, doi:
10.21926/rpm.2301003.
[56] M.-K. Hsu et al., «A deep learning
empowered smart representative volume element
method for long fiber woven composites», Front.
Mater., vol. 10, p. 1179710, may 2023, doi:
10.3389/fmats.2023.1179710.
[57] A. Wendling, J. L. Daniel, G. Hivet, E. Vidal-
Sallé, y P. Boisse, «Meshing Preprocessor for the
Análisis comparativo de metodologías para la predicción de propiedades mecánicas de materiales compuestos
SERGIO GÓMEZ
17
Esta obra está bajo una licencia de Creative Commons CC BY-NC-SA 3.0 y pueden ser reproducidos para
cualquier uso no-comercial otorgando el reconocimiento respectivo al autor.
HYPERLINK "https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES"
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es_ES
https://revistasenlinea.saber.ucab.edu.ve/index.php/tekhne/index
Revista TEKHNÉ Nº 29.1
Semestre marzo - julio 2026
ISSN electrónico: 2790-5195
ISSN: 1316-3930
Mesoscopic 3D Finite Element Simulation of 2D and
Interlock Fabric Deformation», Appl. Compos.
Mater., vol. 22, n.o 6, pp. 869-886, dic. 2015, doi:
10.1007/s10443-015-9441-8.
[58] M. Rehan, T. He, D. Tahir, A. K. Khalil, W.
S. Yip, y S. S. To, «3D Finite element modeling and
experimental investigation of micro milling of laser
powder bed fusion fabricated Ti6Al4V», Results
Eng., vol. 26, p. 104635, jun. 2025, doi:
10.1016/j.rineng.2025.104635.
[59] M. Mudabbirudin, J. Takacs, A. Mosavi, F.
Imre, y N. Nabipour, «Deep Learning and Machine
Learning for Materials Design», en 2024 IEEE 6th
International Symposium on Logistics and Industrial
Informatics (LINDI), 2024, pp. 73-82. doi:
10.1109/LINDI63813.2024.10820388.
[60] W. Gao et al., «Accurately Predicting
Multiple Performance of 3D Printing Photopolymers
Using Ensemble Learning», ACS Appl. Polym.
Mater., vol. 6, n.o 8, pp. 4501-4508, 2024, doi:
10.1021/acsapm.3c03102.
[61] P. Guo, W. Meng, M. Xu, V. C. Li, y Y. Bao,
«Predicting Mechanical Properties of High-
Performance Fiber-Reinforced Cementitious
Composites by Integrating Micromechanics and
Machine Learning», Materials, vol. 14, n.o 12, p.
3143, jun. 2021, doi: 10.3390/ma14123143.
[62] S.-J. Huang, Y. Adityawardhana, y J.
Sanjaya, «Predicting Mechanical Properties of
Magnesium Matrix Composites with Regression
Models by Machine Learning», J. Compos. Sci., vol.
7, n.o 9, p. 347, ago. 2023, doi: 10.3390/jcs7090347.
[63] M. L. Bødker, M. Bauchy, T. Du, J. C. Mauro,
y M. M. Smedskjaer, «Predicting glass structure by
physics-informed machine learning», Npj Comput.
Mater., vol. 8, n.o 1, p. 192, sep. 2022, doi:
10.1038/s41524-022-00882-9.
[64] D. Jha et al., «Enabling deeper learning on
big data for materials informatics applications», Sci.
Rep., vol. 11, n.o 1, p. 4244, feb. 2021, doi:
10.1038/s41598-021-83193-1.
[65] M. Shirinbayan, S. Nouira, J. Zghal, y J.
Fitoussi, «A hybrid approach for predicting fatigue
life of fiber-reinforced polypropylene composite
(PPGF40): Integrating micromechanical modelling»,
Compos. Part C Open Access, vol. 18, p. 100660,
oct. 2025, doi: 10.1016/j.jcomc.2025.100660.
[66] A. Seidel, B. F. Sørensen, y K. Drechsler,
«Modelling fatigue damage in unidirectional fibre
composites using a hybrid analytical–numerical
approach», Compos. Part B Eng., vol. 305, p.
112667, oct. 2025, doi:
10.1016/j.compositesb.2025.112667.