Mejora del rendimiento de carreteras mediante Inteligencia Artificial

Mejora del rendimiento de carreteras mediante Inteligencia Artificial

Todos sabemos que las carreteras son necesarias pero normalmente solo nos acordamos de ellas cuando encontramos alguna en mal estado. Damos por hecho que deben estar siempre disponibles y en perfecto estado pero eso supone un gran esfuerzo tanto en personal como en tiempo y recursos materiales. Las carreteras españolas dan soporte al 86% del transporte terrestre de mercancías y al 88% del transporte de pasajeros. Esta elevada carga de vehículos que utilizan las carreteras junto con las condiciones meteorológicas y ambientales del entorno provocan un alto nivel de desgaste con la consiguiente pérdida de propiedades de la calzada.

Esto nos ocasiona a los usuarios una serie de inconvenientes muy graves: el primordial es que supone una reducción de la seguridad en la carretera, pero también provoca una disminución del confort en los viajes, un aumento del consumo de combustible de los vehículos con el consiguiente aumento de las emisiones de gases contaminantes, etc.

Es evidente que la rehabilitación, conservación y mantenimiento de las infraestructuras viarias es de importancia fundamental, aunque todos sabemos lo molesto que es encontrarnos obras en la carretera. En Europa y concretamente en España tenemos una buena red de carreteras, bastante densa y bien conectada pero ciertamente envejecida por la disminución del gasto en mantenimiento de los últimos años. Hay que recordar que requiere una elevada inversión en la conservación de los trazados viarios; se estima, según la patronal ACEX, que el coste de mantenimiento anual de una autovía es de 80.000€, el de una carretera convencional de 38.000€ y que nuestro país arrastra un déficit de conservación de 8.000 millones de euros. Este déficit, sin ir más lejos, parece que va a suponer la aprobación de peajes en autovías a partir de 2024. Así pues, estos aspectos económicos y la necesidad de un alto nivel de servicio de las carreteras demandados por el sector de la logística y el turismo, pero sobre todo la necesidad de tener carreteras seguras, hacen que la aplicación de nuevas tecnologías que puedan aportar soluciones innovadoras en el mantenimiento de carreteras sean muy demandadas.

La gestión moderna de carreteras implica planificar las actuaciones de mantenimiento a realizar antes de la aparición de deterioros muy graves o irreparables. Este enfoque permite acometer las intervenciones en el momento más adecuado, ocasionando las menores molestias posibles y manteniendo así la capacidad funcional de la vía y su valor económico sin permitir que la red se arruine y descapitalice. Es cierto que existen soluciones tradicionales para la conservación de carreteras que son efectivas pero que no hacen un aprovechamiento óptimo de los recursos disponibles y no tienen en cuenta la evolución prevista del firme para planificar el momento óptimo para proceder a la actuación. Para actuar con eficacia, es fundamental en primer lugar conocer el estado de la red de carreteras de la forma más precisa y objetiva posible. Este conocimiento generalmente se obtiene mediante equipos de inspección de carreteras que posibilitan la evaluación y medición de los parámetros correspondientes. De esta forma se consigue una gran cantidad de datos relacionados con el estado de las carreteras que es necesario gestionar e interpretar para poder priorizar las actividades de mantenimiento y conservación a realizar. El problema que surge entonces es el procesamiento de una cantidad masiva de información que imposibilita la evaluación manual.

Una de las mayores dificultades, por tanto, es la extracción de información útil de numerosas fuentes de datos. Para ciertos tipos de datos, existen paquetes informáticos capaces de extraer índices globales que son útiles para conocer de manera general el estado actual de la carretera, pero estas herramientas a menudo carecen de la capacidad de predecir la evolución del estado de la carretera y su degradación futura.

La inteligencia artificial está cada vez más presente en muchos ámbitos de nuestro entorno y, a menudo, sin que seamos conscientes de ello. La aplicación de estas técnicas de inteligencia artificial puede suponer también un fuerte impacto en el mantenimiento de las carreteras ya que permiten extraer información precisa de distintas fuentes de datos e identificar relaciones entre ellos que de otro modo podrían pasar desapercibidas con las técnicas aplicadas hasta ahora. El procesamiento y análisis, mediante redes neuronales convolucionales, de todos los datos disponibles (datos de los equipos de auscultación de carreteras, datos climatológicos, de intensidad del tráfico…) permite obtener resultados no alcanzables con los métodos tradicionales. Al entrenar y ajustar dichas redes utilizando cantidades masivas de datos se pueden obtener, por ejemplo, modelos altamente fiables de degradación del pavimento que permiten estimar de forma precisa las actuaciones de mantenimiento más adecuadas.

carreteras inteligencia artificial

En este contexto, CARTIF y la empresa TPF colaboran activamente en el desarrollo de este tipo de herramientas que pueden suponer un gran avance a la hora de mejorar el mantenimiento de carreteras. También hay otras iniciativas que trabajan actualmente en aplicaciones similares como Roadbotics (una spin-off de la Universidad Carnegie Mellon), la empresa española Asimob, la Universidad de Waterloo en Canadá, la empresa finlandesa Vaisala o la empresa americana Blyncsy.

Estas herramientas no eliminarán la necesidad de reparaciones urgentes, ya que pueden tener muchos y variados orígenes, pero sí tiene un impacto significativo en las intervenciones preventivas y predictivas al permitir anticipar el deterioro de la vía y reducir así significativamente los costes de mantenimiento, disminuir el tiempo que la vía no estará disponible y mejorar el grado de confort de la carretera percibido por los usuarios.

Existen, por último, otros ejemplos interesantes de cómo las herramientas de Inteligencia Artificial pueden ayudar en el mantenimiento y mejora de la seguridad en carreteras, como por ejemplo el trabajo del MIT para predecir los puntos de la carretera donde pueden producirse accidentes de tráfico y actuar en consecuencia o la iniciativa AI for Road Safety que utiliza la inteligencia artificial para reducir el número de accidentes en carretera.

A modo de conclusión podemos decir que, gracias a la ayuda de estas herramientas de inteligencia artificial, en los años próximos vamos a tener carreteras más seguras y operativas a la vez que seguramente notaremos que nos encontramos con menos obras en nuestros viajes.

Nuevas tecnologías aplicadas a la seguridad en espacios confinados

Nuevas tecnologías aplicadas a la seguridad en espacios confinados

Garantizar la seguridad de los trabajadores en el interior de los espacios confinados es una actividad crítica en el ámbito de la construcción y el mantenimiento por el elevado riesgo que entraña el trabajo en dichos recintos. Quizás convendría, en primer lugar, conocer qué se entiende por espacios confinados. Hay dos tipos principales: los llamados “abiertos”, que son aquellos que tienen una abertura en su parte superior y de una profundidad tal que dificulta su ventilación natural (fosos de engrase de vehículos, pozos, depósitos abiertos, cubas…) y los “cerrados” con abertura de acceso (tanques de almacenamiento, salas subterráneas de transformadores, túneles, alcantarillas, galerías de servicios, bodegas de barcos, arquetas subterráneas, cisternas de transporte, …). Los trabajadores que acceden a estos espacios confinados están expuestos a riesgos mucho mayores que en otros ámbitos de la construcción o el mantenimiento y, por tanto, es fundamental extremar las precauciones.

Cada espacio confinado tiene unas características determinadas (tipología de construcción, longitud, diámetro, instalaciones…) y unos riesgos asociados específicos, por lo que requieren de unas soluciones muy orientadas a sus necesidades concretas en materia de seguridad.

Los riesgos “convencionales” específicos de los espacios confinados son, principalmente, la asfixia por insuficiencia de oxígeno, la intoxicación por inhalación de contaminantes y los incendios y explosiones. Pero también están apareciendo nuevos riesgos, llamados “emergentes” derivados de la exposición a nuevos materiales de construcción como las nanopartículas y las partículas ultrafinas. Además, al ir mejorando la investigación relativa a nuevos materiales, también se conocen mejor sus posibles efectos negativos para la salud humana y cómo prevenirlos.

Lo cierto es que con la formación de los trabajadores y la normativa vigente de seguridad se busca anticipar las situaciones de riesgo con el fin de evitarlas y prevenir así la aparición de accidentes. Pero surgen varios problemas. Por un lado, la normativa no siempre se cumple estrictamente (ya sea por carga de trabajo, descuidos, cansancio) y, por otro, siempre existen riesgos inevitables. En el caso de los descuidos se pueden proponer sistemas que minimicen este tipo de errores y en el caso de los riesgos que no pueden ser evitados, se pueden plantear sistemas para poder detectarlos de forma temprana y planificar los protocolos de actuación correspondientes.

Hay que comentar que las situaciones de riesgo no suelen aparecer súbitamente y, en la mayoría de los casos, son detectables con tiempo suficiente para evitar desgracias personales. Los problemas son varios: la detección de estos riesgos se suele hacer con mediciones puntuales mediante los equipos portátiles que deben llevar los trabajadores, muchas veces no se controla que los trabajadores accedan al recinto con el equipo de protección correspondiente y casi nunca se hace una monitorización continua de la atmósfera interior.

En los últimos años se han desarrollado nuevas tecnologías y equipos que pueden ser aplicados para mejorar la seguridad en este tipo de entornos y reducir los riesgos asociados.

En este tipo de entornos, un sistema de prevención de riesgos eficaz debería basarse en aquellas soluciones tecnológicas capaces de aportar respuestas a aspectos de seguridad en todo el ciclo de trabajo en espacios confinados: antes de acceder al propio espacio, durante el trabajo en el interior del recinto y al salir del espacio de trabajo (tanto si es al finalizar el trabajo normal como si es por una evacuación).

Los sistemas más recientes de monitorización de la calidad del aire de los espacios confinados están basados en tecnología multisensorial que combina diferentes sistemas de detección para asegurar las mejores condiciones posibles y así evitar o disminuir los riesgos presentes en su interior.

También se están aplicando técnicas avanzadas de procesamiento de los datos disponibles (machine learning, data mining, algoritmos predictivos) que permiten una extracción de información mucho más eficaz y rápida.

De igual forma se han hecho grandes avances en los sistemas de control de accesos y seguimiento del personal, permitiendo conocer la posición de cada trabajador e incluso sus constantes vitales para poder detectar de forma casi inmediata cualquier problema que pueda aparecer.

Por último, comentar que se está generalizando el uso de robots y vehículos autónomos (terrestres y aéreos) dotados de diferentes tipos de sensorización, que permiten conocer las condiciones de un recinto antes de acceder a él. Esto es especialmente útil en aquellos en los que pueda haber habido algún incidente: fallo de alimentación eléctrica, derrumbamiento, incendio,… o simplemente porque se sospecha que las condiciones ambientales han podido cambiar y se desconoce la razón.

En CARTIF trabajamos en estos temas desde hace ya muchos años en proyectos de seguridad en entornos de construcción críticos (PRECOIL, SORTI) y en sistemas específicos de túneles y obras subterráneas (PREFEX, INFIT, SITEER).

Se busca, en definitiva, el desarrollo e implantación de nuevas tecnologías que ayuden a salvar vidas en un entorno tan crítico como son los espacios confinados.

Nuevas aplicaciones del Deep Learning

Nuevas aplicaciones del Deep Learning

Hace algo más de un año, en otra entrada de este blog, nuestro compañero Sergio Saludes ya comentó lo que es el aprendizaje profundo y se detallaron varias de sus aplicaciones (como la victoria de una máquina basada en estas redes sobre el campeón mundial de Go, considerado el juego más complejo del mundo).

Pues bien, en estos 16 meses (todo un mundo en estos temas) se ha avanzado enormemente en el número de aplicaciones y la calidad de los resultados obtenidos.

Considerando por ejemplo el campo de la medicina hay que decir que cada vez son más utilizadas las herramientas de diagnóstico basadas en aprendizaje profundo, consiguiendo en algunos casos mayores tasas de acierto que los especialistas humanos. En especialidades concretas como la radiología estas herramientas están suponiendo una gran revolución y en industrias relacionadas como la farmacéutica también se han aplicado con éxito.

En sectores tan variados como la seguridad industrial, se han utilizado recientemente para detectar grietas en reactores nucleares, se han comenzado a emplear también en el mundo de las finanzas, predicción de consumo energético  y en otros campos como la meteorología y el estudio de las olas marinas.

Los proyectos de conducción autónoma de vehículos, tan en boga actualmente, usan principalmente herramientas basadas en aprendizaje profundo para calcular muchas de las decisiones a tomar en cada caso. Respecto a este tema, hay una cierta preocupación en cómo estos sistemas decidirán qué acciones llevar a cabo, especialmente cuando hay en juego vidas humanas y ya hay una página del MIT donde el público en general puede colaborar en la creación de una ética del coche autónomo. Realmente estos dispositivos solo pueden decidir lo que previamente haya sido programado (o entrenado) y seguramente falta mucho para que las máquinas puedan decidir por sí mismas (en el sentido convencional de “decidir”, aunque esto daría lugar a un debate mucho más complejo sobre otros temas como la singularidad).

Con respecto al programa de Go comentado anteriormente (que batió al campeón mundial  por 4 a 1), se ha desarrollado una nueva versión (Alpha Go Zero) que ha batido por 100 a 0 a dicha versión anterior simplemente conociendo las reglas del juego y entrenándose contra sí misma.

En otros ámbitos como la traducción de lenguas, comprensión y síntesis de la voz, también han avanzado de forma muy notable y el uso de asistentes personales en el teléfono móvil se está empezando a generalizar (si es que vencemos el natural rechazo o vergüenza a “conversar” con una máquina).

En CARTIF también se está trabajando en sistemas de aprendizaje profundo desde hace ya tiempo y se han desarrollado diferentes tipos de soluciones, como la clasificación de imágenes de patrimonio arquitectónico dentro del proyecto europeo INCEPTION.

Todos estos desarrollos informáticos llevan asociado un alto coste computacional, especialmente en lo relativo al entrenamiento necesario de las redes neuronales utilizadas. A este respecto se está avanzando en los dos frentes implicados: hardware, mucho más rápido y potente y algoritmos, más evolucionados y optimizados.

Parece que el aprendizaje profundo es el santo grial de la inteligencia artificial en vista de los avances realizados en este campo. Puede que no sea así y simplemente estemos ante una nueva herramienta más, pero de lo que no cabe duda es de que es una herramienta extremadamente potente y versátil que dará origen a nuevos y prometedores desarrollos en muchas aplicaciones relacionadas con la inteligencia artificial.

Por supuesto, surgen muchas voces que alertan de los posibles peligros de este tipo de sistemas inteligentes. Lo cierto es que nunca está de más prevenir los riesgos potenciales de cualquier tecnología aunque, como dice Alan Winfield, más que a la inteligencia artificial es a la estupidez artificial a lo que habría que tener miedo, ya que, como siempre ocurre en estos casos, el peligro de cualquier tecnología está en el mal uso que se le puede dar y no en la tecnología en sí misma. Ante este reto lo que debemos hacer es promover mecanismos que regulen cualquier uso no ético de estas nuevas tecnologías.

Realmente estamos solo ante el comienzo de otra era dorada de la inteligencia artificial, como ha habido varias anteriormente, aunque esta vez sí parece que puede ser la definitiva. No sabemos hacia dónde nos llevará esta etapa, pero confiando en que sabremos aprovechar las posibilidades que se nos brindan, debemos ser optimistas.

Sistemas de geolocalización en interiores

Sistemas de geolocalización en interiores

Con los sistemas de posicionamiento global ha ocurrido un fenómeno similar a lo que ha pasado con los teléfonos móviles: en unos años hemos pasado de no que no existieran a considerarlos imprescindibles. Lo cierto es que, de hecho, la geolocalización es una de esas tecnologías que ha propiciado el desarrollo de multitud de aplicaciones y en muchos ámbitos ya no se concibe poder trabajar sin el uso del comúnmente llamado GPS.

Este tipo de sistemas de posicionamiento se basa en recibir la señal de tres o más satélites por medio de la trilateración inversa: determinando la distancia a cada uno de los satélites se obtiene la posición en coordenadas absolutas (normalmente WGS84).

satelite-geolocalizacion

Los sistemas de posicionamiento global basados en satélites tienen su origen en los años 60, en el sistema norteamericano TRANSIT. Con este sistema se podía conseguir fijar la posición una vez cada hora (en el mejor de los casos) con una precisión de unos 400 metros. A este sistema le siguió el Timation y en el año 1973 comenzó el proyecto Navstar (ambos norteamericanos). El primer satélite de este proyecto se lanzó en febrero de 1978 hasta completar la constelación actual, a la que se declaró con plena capacidad operacional en abril de 1995. Este sistema Navstar-GPS es el origen del nombre genérico GPS que solemos aplicar a todos los sistemas de navegación global. En 1982 la antigua Unión Soviética lanzó los primeros satélites de un sistema similar llamado GLONASS que comenzó a estar operativo en 1996. Por su parte, la República Popular China lanzó en el año 2000 el primer satélite de su sistema de navegación BeiDou, que está previsto que esté plenamente operativo en el 2020. Por último, en 2003, comenzó el desarrollo del sistema de posicionamiento de la Unión Europea denominado Galileo, con un primer lanzamiento en el 2011. Actualmente cuenta con 12 satélites en activo (y 2 en pruebas) y está previsto el lanzamiento simultáneo de otros cuatro el próximo 17 de noviembre. De esta forma, habría 18 satélites en órbita y el servicio inicial del sistema de posicionamiento Galileo podría comenzar a finales de 2016. Se espera que esté totalmente operativo en el año 2020. Hay que decir que también existen otros sistemas, a nivel regional, complementarios a los ya comentados, en India y Japón.

Como se puede comprobar, los sistemas de posicionamiento global están plenamente extendidos y son ampliamente utilizados tanto a nivel militar y comercial (transporte de personas y mercancías, agricultura de precisión, topografía, estudios del medio ambiente, operaciones de rescate…) como a nivel personal (casi todo el mundo tiene un móvil con GPS disponible, aunque otra cosa es que siempre se les acabe la batería en el momento más inoportuno).

Respecto a la precisión obtenida con los equipos de geolocalización actuales, es del orden de unos pocos metros (e incluso algo mejor con el sistema Galileo) y se puede llegar a precisión centimétrica usando dispositivos multifrecuencia y aplicando correcciones diferenciales.

utilidad-de-la-geolocalizacion

Uno de los problemas de estos sistemas es que no funcionan correctamente en interiores ya que la señal de los satélites no se puede recibir bien dentro de los edificios (aunque ya existen equipos de alta sensibilidad que reducen este problema y otros dispositivos llamados pseudolites, que actúan simulando la señal GPS en interiores). Y como ya no nos basta con conocer nuestra posición exacta en exteriores, ahora surge la necesidad de conocer el posicionamiento también en los interiores de grandes edificios e infraestructuras (aeropuertos, edificios administrativos, centros comerciales…).

Por tanto, han aparecido sistemas de posicionamiento en interiores (IPS) que permiten la localización dentro de espacios cerrados. A diferencia de los sistemas de posicionamiento globales, en este caso existen muchas tecnologías diferentes que además no suelen ser compatibles entre sí, lo que dificulta su difusión y adopción por parte del público general. Ya existen soluciones muy fiables y precisas en entornos empresariales, pero estos desarrollos son específicos y difícilmente trasladables a un uso genérico de localización de personas en interiores. En este tipo de contexto profesional, CARTIF ha realizado varios proyectos de posicionamiento en interiores para movimiento autónomo de mercancías y robótica de servicios. No existe en la actualidad un sistema estándar de posicionamiento en interiores pero hay muchas tecnologías compitiendo por un lugar predominante.

Las tecnologías utilizadas se pueden diferenciar en la necesidad o no de una infraestructura de comunicaciones. Aquellas que no necesitan de infraestructura existente se suelen basar en el uso de sensores habitualmente disponibles en un teléfono móvil inteligente (smartphone): variaciones del campo magnético en el interior del edificio que son detectadas por los magnetómetros, medición de los movimientos realizados en el recinto empleando los acelerómetros o identificando ciertos elementos característicos (como códigos QR) usando la cámara. En todos estos casos la precisión alcanzada no es muy alta pero podría ser de utilidad en ciertas aplicaciones sencillas como orientarse en un gran edificio.

Los sistemas de posicionamiento en interiores que usan infraestructura de comunicaciones emplean casi todas las tecnologías disponibles de este tipo para obtener la localización: WiFi, Bluetooth, RFID, infrarrojos, NFC, ZigBee, banda ultra ancha, luz visible, antenas de telefonía (2G/3G/4G), ultrasonidos…

geolocalizacion-smartphone

Con estos sistemas se determina la posición, normalmente por triangulación, calculando la distancia a los dispositivos fijos de referencia (usando la intensidad de la señal recibida, señales codificadas o por medición directa de dicha distancia). Así, se puede llegar a alcanzar mayores precisiones que en los tres casos anteriores. También existen nuevos desarrollos que combinan varias de las tecnologías mencionadas para conseguir mejorar la precisión y disponibilidad del posicionamiento.

Aunque, como se ha dicho no hay un estándar, se está extendiendo el uso de nodos basados en bluetooth de bajo consumo (BLE). Ejemplos de estos sistemas son el Eddystone de Google y los iBeacons de Apple.

Lógicamente, como en el caso de posicionamiento en exteriores, además de conocer la posición hay que disponer del correspondiente mapa del entorno que permita la navegación. Existen también otros sistemas, llamados SLAM, que van generando mapas del entorno (que puede ser conocido o no) según se van moviendo, muy usados en robots y vehículos autónomos. Un ejemplo reciente es el proyecto Tango (también de Google) que permite generar modelos 3D del entorno utilizando dispositivos móviles (smartphones o tablets).

Como se ha visto, cada vez estamos más cerca de poder estar localizados en cualquier lugar, lo cual puede resultar muy útil pero también nos puede hacer excesivamente dependientes de estos sistema (cada vez se pregunta menos en la calle cómo llegar a un sitio) a la vez que se incrementan los consabidos problemas de privacidad asociados a estos temas. Así que, aunque gracias a estos avances cada vez sea menos necesario el sentido de la orientación, lo que no hay que perder nunca es el sentido común.

El futuro de la construcción se imprime en 3D

El futuro de la construcción se imprime en 3D

La impresión 3D ha llegado para quedarse. Cuando una nueva tecnología está tan extendida que ya no llama la atención, es que su implantación es definitiva. Cada vez más gente tiene una impresora 3D de plástico en su casa y seguro que muchos conocemos a alguien que ha comprado una o se la ha construido por piezas. Era sólo cuestión de tiempo que esta tecnología diese el salto a otros ámbitos. Aunque el sector de la construcción suele adoptar este tipo de novedades tecnológicas con cierto retraso, en este caso ya hay varios proyectos tratando de llevar la fabricación aditiva (como también se conoce a la impresión 3D) a la construcción.

Lo que se busca, entre otras cosas, es poder afrontar los nuevos diseños arquitectónicos que son cada vez más complejos, industrializar ciertos procesos de construcción que ahora son casi artesanales y mejorar la sostenibilidad utilizando materiales reciclados para imprimir.

Este tipo de sistemas plantean grandes retos como el desarrollo de nuevos materiales de construcción que permitan su adecuada aplicación. Normalmente se recurre a la incorporación de otros materiales o compuestos que mejoren las propiedades (que consigan las propiedades buscadas) tanto en tiempos de fraguado como en resistencia y aislamiento.

Uno de los primeros proyectos referido a la fabricación aditiva en la construcción es el llamado Contour crafting, liderado por el Dr. Behrokh Khoshnevis de la Universidad del Sur de California. Y actualmente existen multitud de centros de investigación y universidades centradas en estos temas como el AMRG de la Universidad de Loughborough -considerado referencia mundial- o el IAAC en España.

También han aparecido desarrollos comerciales como el de una empresa china que fabrica casas, oficinas y edificios completos usando estas técnicas. El caso concreto de esta empresa parece que responde a estrategias de marketing (que no les está funcionando mal), puesto que posicionarse bien en estas tecnologías puede abrir importantes mercados.

En cualquier caso, existen muchas iniciativas interesantes como el WASP, un proyecto italiano para construcciones sostenibles en áreas desfavorecidas, la construcción de un puente de acero en Ámsterdam, o el concurso promovido en 2015 por la NASA para la construcción de edificaciones en la Luna o Marte utilizando estas técnicas, cuyo ganador propone utilizar el hielo como materia prima.

A la vista de estos desarrollos, es fácil comprobar que la fabricación aditiva en construcción ofrece algunas ventajas difícilmente igualables con otros métodos como la complejidad en los diseños que se pueden obtener o la precisión y repetibilidad de ciertos procedimientos constructivos. Y es innegable que la industrialización cada vez se integra más en muchos procesos constructivos y la impresión 3D seguro que tendrá su nicho de mercado en el sector de la construcción.

Como siempre ocurre con las nuevas tecnologías, hay ciertos sectores optimistas que opinan que la fabricación aditiva será el sistema mayoritario usado en todas las industrias. Pero, hoy por hoy, no existen tecnologías de fabricación universales más allá de ciertos métodos como la producción en cadena. Los procesos de fabricación actuales están muy especializados y se recurre a las tecnologías más adecuadas para cada caso, por lo que parece complicado que una sola sea capaz de reemplazar a casi todas las existentes. Por lo tanto y siendo realista, hay que encontrar el campo de aplicación más adecuado para la impresión 3D en la construcción.

En este sentido, CARTIF participa en un gran proyecto nacional de investigación de la impresión 3D en la construcción que se centra en la aplicación de las tecnologías de impresión 3D en la construcción en aquellos campos donde se considera que puede ser de especial utilidad: la fabricación de prefabricados y la rehabilitación de fachadas.

No se busca obtener una tecnología universal que sirva en todos los ámbitos de la construcción, sino llegar al mercado con un producto que ofrezca una alternativa viable a otras tecnologías existentes (es decir: aplicaciones realistas y sostenibles). Y siempre sin olvidar que todos los avances alcanzados en este campo (sean por I+D o por estrategias de marketing) repercutirán en el futuro en beneficio de toda la sociedad ya que lo que lo que se busca es construir mejor, más rápido, más barato y de forma más sostenible.