Enfoques multidisciplinarios para la abordar la complejidad en sistemas de ingeniería moderna

Autores
Micolini, Orlando; Ventre, Luis Orlando; Ludemann, Mauricio; Bartó, Carlos
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Este estudio aborda los crecientes desafíos asociados con la complejidad de los sistemas de ingeniería contemporáneos, proponiendo enfoques multidisciplinarios para optimizar su diseño, control y operación. A través de una revisión sistemática de la literatura y análisis de casos de estudio, se identifican y clasifican las principales fuentes de complejidad en sistemas críticos como industria 4.0, cadenas de producción industrial, redes de distribución energética, entre otras. La investigación emplea metodologías avanzadas, incluyendo análisis multiescala, teoría de sistemas dinámicos, cálculo fraccional y modelado computacional, para caracterizar y predecir comportamientos emergentes en sistemas no lineales. Los hallazgos demuestran la eficacia de estos métodos en: (1) la identificación de patrones no evidentes, (2) la reducción de incertidumbres operacionales, y (3) la optimización de sistemas complejos. Destacan particularmente las aplicaciones del análisis multiescala y los modelos fraccionales en mejorar la predictibilidad de algoritmos de machine learning, así como las ventajas de arquitecturas modulares en entornos de manufactura para incrementar la adaptabilidad. El estudio sustenta la necesidad de incorporar estos marcos metodológicos tanto en la formación académica como en la práctica profesional de ingeniería, argumentando que su adopción es crucial para enfrentar los retos tecnológicos del siglo XXI y mejorar indicadores clave como eficiencia, resiliencia y competitividad sistémica. Como contribución principal, esta investigación ofrece un marco integrado teórico-práctico para la gestión de complejidad en ingeniería, con implicaciones relevantes para: (i) el desarrollo de innovaciones tecnológicas, y (ii) la evolución del mercado laboral especializado.
This study addresses the growing challenges associated with the complexity of contemporary engineering systems, proposing multidisciplinary approaches to optimize their design, control, and operation. Through a systematic literature review and case study analysis, the primary sources of complexity in critical systems—such as Industry 4.0, industrial production lines, energy distribution networks, among others—are identified and classified. The research employs advanced methodologies, including multiscale analysis, dynamic systems theory, fractional calculus, and computational modeling, to characterize and predict emergent behaviors in nonlinear systems. The findings demonstrate the effectiveness of these methods in: (1) identifying non-obvious patterns, (2) reducing operational uncertainties, and (3) optimizing complex systems. The applications of multiscale analysis and fractional models in improving the predictability of machine learning algorithms are particularly noteworthy, as are the advantages of modular architectures in manufacturing environments to enhance adaptability. The study underscores the need to incorporate these methodological frameworks into both academic training and professional engineering practice, arguing that their adoption is crucial to addressing the technological challenges of the 21st century and improving key indicators such as efficiency, resilience, and systemic competitiveness. As its main contribution, this research provides an integrated theoretical-practical framework for complexity management in engineering, with relevant implications for: (i) the development of technological innovations, and (ii) the evolution of the specialized labor market.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
complejidad en ingeniería
enfoques multidisciplinarios
industria 4.0 y 5.0
sistemas ciberfísicos
Inteligencia artificial
complexity in engineering
multidisciplinary approaches
industry 4.0 and 5.0
cyber-physical systems (CPS)
artificial intelligence (AI)
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/190748
Acceder
id SEDICI_b48ee3d8985c31fb3629888b72ad18cf
oai_identifier_str oai:sedici.unlp.edu.ar:10915/190748
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Enfoques multidisciplinarios para la abordar la complejidad en sistemas de ingeniería modernaMultidisciplinary Approaches to Addressing Complexity in Modern Engineering SystemsMicolini, OrlandoVentre, Luis OrlandoLudemann, MauricioBartó, CarlosCiencias Informáticascomplejidad en ingenieríaenfoques multidisciplinariosindustria 4.0 y 5.0sistemas ciberfísicosInteligencia artificialcomplexity in engineeringmultidisciplinary approachesindustry 4.0 and 5.0cyber-physical systems (CPS)artificial intelligence (AI)Este estudio aborda los crecientes desafíos asociados con la complejidad de los sistemas de ingeniería contemporáneos, proponiendo enfoques multidisciplinarios para optimizar su diseño, control y operación. A través de una revisión sistemática de la literatura y análisis de casos de estudio, se identifican y clasifican las principales fuentes de complejidad en sistemas críticos como industria 4.0, cadenas de producción industrial, redes de distribución energética, entre otras. La investigación emplea metodologías avanzadas, incluyendo análisis multiescala, teoría de sistemas dinámicos, cálculo fraccional y modelado computacional, para caracterizar y predecir comportamientos emergentes en sistemas no lineales. Los hallazgos demuestran la eficacia de estos métodos en: (1) la identificación de patrones no evidentes, (2) la reducción de incertidumbres operacionales, y (3) la optimización de sistemas complejos. Destacan particularmente las aplicaciones del análisis multiescala y los modelos fraccionales en mejorar la predictibilidad de algoritmos de machine learning, así como las ventajas de arquitecturas modulares en entornos de manufactura para incrementar la adaptabilidad. El estudio sustenta la necesidad de incorporar estos marcos metodológicos tanto en la formación académica como en la práctica profesional de ingeniería, argumentando que su adopción es crucial para enfrentar los retos tecnológicos del siglo XXI y mejorar indicadores clave como eficiencia, resiliencia y competitividad sistémica. Como contribución principal, esta investigación ofrece un marco integrado teórico-práctico para la gestión de complejidad en ingeniería, con implicaciones relevantes para: (i) el desarrollo de innovaciones tecnológicas, y (ii) la evolución del mercado laboral especializado.This study addresses the growing challenges associated with the complexity of contemporary engineering systems, proposing multidisciplinary approaches to optimize their design, control, and operation. Through a systematic literature review and case study analysis, the primary sources of complexity in critical systems—such as Industry 4.0, industrial production lines, energy distribution networks, among others—are identified and classified. The research employs advanced methodologies, including multiscale analysis, dynamic systems theory, fractional calculus, and computational modeling, to characterize and predict emergent behaviors in nonlinear systems. The findings demonstrate the effectiveness of these methods in: (1) identifying non-obvious patterns, (2) reducing operational uncertainties, and (3) optimizing complex systems. The applications of multiscale analysis and fractional models in improving the predictability of machine learning algorithms are particularly noteworthy, as are the advantages of modular architectures in manufacturing environments to enhance adaptability. The study underscores the need to incorporate these methodological frameworks into both academic training and professional engineering practice, arguing that their adoption is crucial to addressing the technological challenges of the 21st century and improving key indicators such as efficiency, resilience, and systemic competitiveness. As its main contribution, this research provides an integrated theoretical-practical framework for complexity management in engineering, with relevant implications for: (i) the development of technological innovations, and (ii) the evolution of the specialized labor market.Sociedad Argentina de Informática e Investigación Operativa2025-08info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf33-46http://sedici.unlp.edu.ar/handle/10915/190748spainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/19843info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:15:14Zoai:sedici.unlp.edu.ar:10915/190748Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:15:15.16SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Enfoques multidisciplinarios para la abordar la complejidad en sistemas de ingeniería moderna
Multidisciplinary Approaches to Addressing Complexity in Modern Engineering Systems
title Enfoques multidisciplinarios para la abordar la complejidad en sistemas de ingeniería moderna
spellingShingle Enfoques multidisciplinarios para la abordar la complejidad en sistemas de ingeniería moderna
Micolini, Orlando
Ciencias Informáticas
complejidad en ingeniería
enfoques multidisciplinarios
industria 4.0 y 5.0
sistemas ciberfísicos
Inteligencia artificial
complexity in engineering
multidisciplinary approaches
industry 4.0 and 5.0
cyber-physical systems (CPS)
artificial intelligence (AI)
title_short Enfoques multidisciplinarios para la abordar la complejidad en sistemas de ingeniería moderna
title_full Enfoques multidisciplinarios para la abordar la complejidad en sistemas de ingeniería moderna
title_fullStr Enfoques multidisciplinarios para la abordar la complejidad en sistemas de ingeniería moderna
title_full_unstemmed Enfoques multidisciplinarios para la abordar la complejidad en sistemas de ingeniería moderna
title_sort Enfoques multidisciplinarios para la abordar la complejidad en sistemas de ingeniería moderna
dc.creator.none.fl_str_mv Micolini, Orlando
Ventre, Luis Orlando
Ludemann, Mauricio
Bartó, Carlos
author Micolini, Orlando
author_facet Micolini, Orlando
Ventre, Luis Orlando
Ludemann, Mauricio
Bartó, Carlos
author_role author
author2 Ventre, Luis Orlando
Ludemann, Mauricio
Bartó, Carlos
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
complejidad en ingeniería
enfoques multidisciplinarios
industria 4.0 y 5.0
sistemas ciberfísicos
Inteligencia artificial
complexity in engineering
multidisciplinary approaches
industry 4.0 and 5.0
cyber-physical systems (CPS)
artificial intelligence (AI)
topic Ciencias Informáticas
complejidad en ingeniería
enfoques multidisciplinarios
industria 4.0 y 5.0
sistemas ciberfísicos
Inteligencia artificial
complexity in engineering
multidisciplinary approaches
industry 4.0 and 5.0
cyber-physical systems (CPS)
artificial intelligence (AI)
dc.description.none.fl_txt_mv Este estudio aborda los crecientes desafíos asociados con la complejidad de los sistemas de ingeniería contemporáneos, proponiendo enfoques multidisciplinarios para optimizar su diseño, control y operación. A través de una revisión sistemática de la literatura y análisis de casos de estudio, se identifican y clasifican las principales fuentes de complejidad en sistemas críticos como industria 4.0, cadenas de producción industrial, redes de distribución energética, entre otras. La investigación emplea metodologías avanzadas, incluyendo análisis multiescala, teoría de sistemas dinámicos, cálculo fraccional y modelado computacional, para caracterizar y predecir comportamientos emergentes en sistemas no lineales. Los hallazgos demuestran la eficacia de estos métodos en: (1) la identificación de patrones no evidentes, (2) la reducción de incertidumbres operacionales, y (3) la optimización de sistemas complejos. Destacan particularmente las aplicaciones del análisis multiescala y los modelos fraccionales en mejorar la predictibilidad de algoritmos de machine learning, así como las ventajas de arquitecturas modulares en entornos de manufactura para incrementar la adaptabilidad. El estudio sustenta la necesidad de incorporar estos marcos metodológicos tanto en la formación académica como en la práctica profesional de ingeniería, argumentando que su adopción es crucial para enfrentar los retos tecnológicos del siglo XXI y mejorar indicadores clave como eficiencia, resiliencia y competitividad sistémica. Como contribución principal, esta investigación ofrece un marco integrado teórico-práctico para la gestión de complejidad en ingeniería, con implicaciones relevantes para: (i) el desarrollo de innovaciones tecnológicas, y (ii) la evolución del mercado laboral especializado.
This study addresses the growing challenges associated with the complexity of contemporary engineering systems, proposing multidisciplinary approaches to optimize their design, control, and operation. Through a systematic literature review and case study analysis, the primary sources of complexity in critical systems—such as Industry 4.0, industrial production lines, energy distribution networks, among others—are identified and classified. The research employs advanced methodologies, including multiscale analysis, dynamic systems theory, fractional calculus, and computational modeling, to characterize and predict emergent behaviors in nonlinear systems. The findings demonstrate the effectiveness of these methods in: (1) identifying non-obvious patterns, (2) reducing operational uncertainties, and (3) optimizing complex systems. The applications of multiscale analysis and fractional models in improving the predictability of machine learning algorithms are particularly noteworthy, as are the advantages of modular architectures in manufacturing environments to enhance adaptability. The study underscores the need to incorporate these methodological frameworks into both academic training and professional engineering practice, arguing that their adoption is crucial to addressing the technological challenges of the 21st century and improving key indicators such as efficiency, resilience, and systemic competitiveness. As its main contribution, this research provides an integrated theoretical-practical framework for complexity management in engineering, with relevant implications for: (i) the development of technological innovations, and (ii) the evolution of the specialized labor market.
Sociedad Argentina de Informática e Investigación Operativa
description Este estudio aborda los crecientes desafíos asociados con la complejidad de los sistemas de ingeniería contemporáneos, proponiendo enfoques multidisciplinarios para optimizar su diseño, control y operación. A través de una revisión sistemática de la literatura y análisis de casos de estudio, se identifican y clasifican las principales fuentes de complejidad en sistemas críticos como industria 4.0, cadenas de producción industrial, redes de distribución energética, entre otras. La investigación emplea metodologías avanzadas, incluyendo análisis multiescala, teoría de sistemas dinámicos, cálculo fraccional y modelado computacional, para caracterizar y predecir comportamientos emergentes en sistemas no lineales. Los hallazgos demuestran la eficacia de estos métodos en: (1) la identificación de patrones no evidentes, (2) la reducción de incertidumbres operacionales, y (3) la optimización de sistemas complejos. Destacan particularmente las aplicaciones del análisis multiescala y los modelos fraccionales en mejorar la predictibilidad de algoritmos de machine learning, así como las ventajas de arquitecturas modulares en entornos de manufactura para incrementar la adaptabilidad. El estudio sustenta la necesidad de incorporar estos marcos metodológicos tanto en la formación académica como en la práctica profesional de ingeniería, argumentando que su adopción es crucial para enfrentar los retos tecnológicos del siglo XXI y mejorar indicadores clave como eficiencia, resiliencia y competitividad sistémica. Como contribución principal, esta investigación ofrece un marco integrado teórico-práctico para la gestión de complejidad en ingeniería, con implicaciones relevantes para: (i) el desarrollo de innovaciones tecnológicas, y (ii) la evolución del mercado laboral especializado.
publishDate 2025
dc.date.none.fl_str_mv 2025-08
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/190748
url http://sedici.unlp.edu.ar/handle/10915/190748
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/19843
info:eu-repo/semantics/altIdentifier/issn/2451-7496
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
33-46
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1868982581046804480
score 13.365483

Publicaciones similares