Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 694
INTELIGENCIA ARTIFICIAL APLICADA AL MONITOREO DE OLEODUCTOS: UN
ANÁLISIS BIBLIOMÉTRICO
ARTIFICIAL INTELLIGENCE APPLIED TO OIL PIPELINE MONITORING: A
BIBLIOMETRIC ANALYSIS
Autores: ¹Heydi María Solórzano Medranda.
¹ORCID ID: https://orcid.org/0009-0009-5315-0372
¹E-mail de contacto: solorzanoheydi@gmail.com
Afiliación:¹*Autor Independiente, (Ecuador).
Articulo recibido: 10 de Agosto del 2026.
Articulo revisado: 12 de Agosto del 2026.
Articulo aprobado: 12 de Agosto del 2026.
¹Ingeniera Química, graduada de la Universidad Técnica Luis Vargas Torres de Esmeraldas, (Ecuador), con 3 años de experiencia
profesional. Magíster en Petróleos, graduada de la Universidad Estatal Península de Santa Elena, (Ecuador).
Resumen
La integridad de los oleoductos es fundamental
para garantizar la seguridad operacional, evitar
impactos ambientales y asegurar la continuidad
del transporte de hidrocarburos. En este
contexto, la inteligencia artificial ha adquirido
un papel destacado en el monitoreo de
oleoductos; no obstante, su rápido avance
dificulta comprender su evolución, las
tecnologías predominantes y las tendencias de
investigación. Por ello, este estudio tuvo como
objetivo realizar un análisis bibliométrico
sobre la aplicación de la inteligencia artificial
en el monitoreo de oleoductos a partir de
publicaciones indexadas en Scopus y Web of
Science, con el fin de evaluar la producción
científica, las tecnologías más empleadas y las
tendencias emergentes. La metodología se
estructuró en tres fases: (i) definición de la
estrategia de búsqueda y de la recopilación de
datos; (ii) depuración y procesamiento de la
información; y (iii) análisis de indicadores
bibliométricos. El análisis bibliométrico
incluyó 847 publicaciones indexadas entre
1994 y 2026, evidenciando un crecimiento
sostenido de la producción científica a partir de
2019, con predominio de artículos científicos
(69,54 %). Participaron 53 países, siendo China
el principal contribuyente con el 40,9 % de las
publicaciones, seguida de Estados Unidos y
Canadá. El análisis de coocurrencia de palabras
clave identificó cuatro líneas de investigación
predominantes: detección de anomalías,
evaluación de la integridad de oleoductos,
monitoreo inteligente y detección de fugas
mediante técnicas de inteligencia artificial.
Estos resultados ofrecen una visión integral del
desarrollo científico de la inteligencia artificial
aplicada al monitoreo de oleoductos e
identifican las principales líneas de
investigación que orientan futuros estudios en
este campo.
Palabras clave: Análisis bibliométrico,
Bibliometría, Inteligencia artificial,
Monitoreo de oleoductos, Oleoductos,
Petróleo.
Abstract
Pipeline integrity is essential to ensure
operational safety, prevent environmental
impacts, and guarantee the continuity of
hydrocarbon transportation. In this context,
artificial intelligence has emerged as a key
technology for pipeline monitoring; however,
its rapid development has made it difficult to
understand its evolution, predominant
technologies, and research trends. Therefore,
this study aimed to conduct a bibliometric
analysis of the application of artificial
intelligence in pipeline monitoring based on
publications indexed in Scopus and Web of
Science, in order to evaluate scientific
production, the most widely used technologies,
and emerging trends. The methodology was
structured into three phases: (i) definition of the
search strategy and data collection; (ii) data
cleaning and processing; and (iii) bibliometric
indicator analysis. The bibliometric analysis
included 847 publications indexed between
1994 and 2026, revealing sustained growth in
scientific production since 2019, with scientific
articles accounting for the largest share
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 695
(69.54%). A total of 53 countries contributed to
the scientific output, with China leading the
field (40.9% of publications), followed by the
United States and Canada. Keyword co-
occurrence analysis identified four
predominant research areas: anomaly
detection, pipeline integrity assessment,
intelligent monitoring, and leak detection using
artificial intelligence techniques. These
findings provide a comprehensive overview of
the scientific development of artificial
intelligence applied to pipeline monitoring and
identify the main research areas that may guide
future studies in this field.
Keywords: Bibliometric analysis,
Bibliometrics, Artificial intelligence,
Pipeline monitoring, Oil pipelines,
Petroleum.
Sumário
A integridade dos oleodutos é fundamental
para garantir a segurança operacional, evitar
impactos ambientais e assegurar a continuidade
do transporte de hidrocarbonetos. Nesse
contexto, a inteligência artificial tem
desempenhado um papel de destaque no
monitoramento de oleodutos; entretanto, seu
rápido avanço dificulta a compreensão de sua
evolução, das tecnologias predominantes e das
tendências de pesquisa. Assim, este estudo teve
como objetivo realizar uma análise
bibliométrica sobre a aplicação da inteligência
artificial no monitoramento de oleodutos, com
base em publicações indexadas nas bases de
dados Scopus e Web of Science, a fim de
avaliar a produção científica, as tecnologias
mais utilizadas e as tendências emergentes. A
metodologia foi estruturada em três fases: (i)
definição da estratégia de busca e da coleta de
dados; (ii) depuração e processamento das
informações; e (iii) análise dos indicadores
bibliométricos. A análise bibliométrica incluiu
847 publicações indexadas entre 1994 e 2026,
evidenciando um crescimento sustentado da
produção científica a partir de 2019, com
predominância de artigos científicos (69,54%).
Participaram 53 países, sendo a China o
principal contribuinte, com 40,9% das
publicações, seguida pelos Estados Unidos e
pelo Canadá. A análise de coocorrência de
palavras-chave identificou quatro linhas de
pesquisa predominantes: detecção de
anomalias, avaliação da integridade de
oleodutos, monitoramento inteligente e
detecção de vazamentos por meio de técnicas
de inteligência artificial. Esses resultados
oferecem uma visão abrangente do
desenvolvimento científico da inteligência
artificial aplicada ao monitoramento de
oleodutos e identificam as principais linhas de
pesquisa que orientam futuros estudos nesse
campo.
Palavras-chave: Análise bibliométrica,
Bibliometria, Inteligência artificial,
Monitoramento de oleodutos, Oleodutos,
Petróleo.
Introducción
En la industria hidrocarburífera, la etapa
midstream abarca las actividades vinculadas al
transporte y almacenamiento de hidrocarburos
desde las áreas de producción hasta los centros
de procesamiento y distribución (Ibrahim et al.,
2019). Para ello, los sistemas de transporte por
oleoductos constituyen una infraestructura
esencial, ya que permiten la movilización
continua y eficiente de petróleo, gas y otros
fluidos entre pozos, plataformas e instalaciones
terrestres. Además, se consideran la opción más
segura y rentable para el transporte a grandes
distancias frente a otros medios de transporte
(Salgado et al., 2021).
No obstante, los oleoductos pueden verse
afectados por múltiples causas, como impactos
físicos, factores ambientales, defectos de
construcción, envejecimiento de la
infraestructura y riesgos operativos
(Woldesellasse y Tesfamariam, 2023), que
pueden comprometer su integridad y ocasionar
fallas catastróficas o una disminución
significativa de su rendimiento (Al-Sabaeei et
al., 2023). A medida que la infraestructura de
los oleoductos envejece y aumentan las
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 696
demandas operativas, garantizar su seguridad y
confiabilidad continúa siendo una prioridad
crítica para la ingeniería y la seguridad pública
(Eginov y Eginova, 2025). Esta problemática se
refleja en los registros de la Administración de
Seguridad de Materiales Peligrosos y
Oleoductos (PHMSA, por sus siglas en inglés),
que reportó 1497 incidentes asociados al
transporte de líquidos peligrosos por tuberías en
Estados Unidos entre 2021 y 2025. Las
principales causas fueron fallas en materiales,
soldaduras o equipos, la corrosión y los errores
operacionales (Pipeline and Hazardous
Materials Safety Administration, 2025). Las
consecuencias de las fallas en oleoductos se
evalúan considerando aspectos como pérdidas
humanas, impactos ambientales, daños a los
activos y afectaciones económicas derivadas de
la suspensión del transporte del producto
(Woldesellasse y Tesfamariam, 2023).
En los sistemas de transporte por oleoductos, el
monitoreo es una actividad preventiva esencial
que, además de minimizar los gastos de
mantenimiento y reparación, permite identificar
oportunamente problemas como la corrosión o
los daños estructurales antes de que deriven en
fallas operativas, reduciendo así el riesgo de
consecuencias graves (Al-Sabaeei et al., 2023).
Por ello, la integridad de los oleoductos requiere
un monitoreo eficiente y en tiempo real para
garantizar una operación segura (Verma et al.,
2026). Sin embargo, los métodos
convencionales de monitoreo suelen verse
afectados por limitaciones asociadas al costo de
los equipos de inspección y a la pérdida de
precisión en oleoductos de mayor complejidad
geométrica (Chen et al., 2025). Además,
implican un gran volumen de diseño manual de
características y el procesamiento de grandes
volúmenes de datos generados por sensores
(Verma et al., 2026). Estas limitaciones han
impulsado la necesidad de implementar
soluciones basadas en tecnologías avanzadas y
herramientas computacionales, en particular
sistemas basados en inteligencia artificial
capaces de detectar automáticamente anomalías
en los oleoductos y proporcionar resultados
precisos en tiempo real (Mayet et al., 2025).
El rápido crecimiento de la investigación sobre
inteligencia artificial aplicada al monitoreo de
oleoductos ha generado una amplia diversidad
de enfoques, algoritmos y aplicaciones. Sin
embargo, la literatura científica disponible se
encuentra dispersa en múltiples publicaciones,
lo que dificulta identificar tendencias, áreas
emergentes y oportunidades de investigación.
Asimismo, se observa una presencia limitada de
estudios bibliométricos enfocados
específicamente en este campo, lo que limita la
comprensión global de su desarrollo científico.
Este estudio plantea las siguientes preguntas de
investigación: ¿Cuál es el comportamiento
bibliométrico de la investigación sobre
inteligencia artificial aplicada al monitoreo de
oleoductos?, ¿Qué técnicas de inteligencia
artificial se utilizan con mayor frecuencia en el
monitoreo de oleoductos?, ¿Cuáles son las
principales aplicaciones de la inteligencia
artificial en el monitoreo de oleoductos?
Este trabajo tiene como objetivo analizar la
producción científica sobre la aplicación de la
inteligencia artificial en el monitoreo de
oleoductos mediante un análisis bibliométrico
de publicaciones indexadas en las bases de
datos Scopus y Web of Science (WoS), con el
fin de identificar la evolución del campo, las
principales líneas de investigación, las
tecnologías más utilizadas, sus aplicaciones y
los hallazgos más relevantes. Los resultados del
análisis bibliométrico muestran un crecimiento
sostenido de la investigación sobre inteligencia
artificial aplicada al monitoreo de oleoductos,
con un aumento significativo a partir de 2019.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 697
China, Estados Unidos y Canadá destacan por
su participación predominante en la producción
de conocimiento científico en este campo. El
análisis de coocurrencia de palabras clave
revela que la detección de fugas, la detección de
corrosión y la evaluación de la integridad de los
oleoductos constituyen las principales
aplicaciones de la inteligencia artificial en este
campo. Este artículo se estructura en las
siguientes secciones: (i) introducción al tema de
estudio, (ii) materiales y métodos empleados
para la búsqueda, selección y análisis
bibliométrico de las publicaciones, (iii)
resultados y hallazgos principales, y (iv)
conclusiones del estudio.
Materiales y Métodos
El creciente interés en la aplicación de técnicas
de inteligencia artificial para el monitoreo de
oleoductos ha impulsado un aumento
considerable de la producción científica en los
últimos años. En este contexto, el análisis
bibliométrico se presenta como una herramienta
eficaz para examinar la evolución de este campo
de investigación, identificar sus principales
actores y reconocer las tendencias que han
orientado su desarrollo mediante métricas
cuantitativas (Cardona et al., 2024). El análisis
bibliométrico de publicaciones científicas
indexadas permite evaluar patrones de
productividad, impacto científico, colaboración
internacional y estructura temática y ofrece una
visión global del estado y la dinámica de la
investigación (Nandiyanto y Al Husaeni, 2022).
La metodología de este estudio se estructuró en
tres fases: (i) definición de la estrategia de
búsqueda y de la recopilación de datos; (ii)
depuración y procesamiento de la información;
y (iii) análisis de indicadores bibliométricos. La
búsqueda bibliográfica se realizó el 25 de abril
de 2026 en Scopus y Web of Science, dos de las
principales bases de datos de literatura
científica revisada por pares, con amplia
cobertura de publicaciones científicas de alta
calidad (Pranckutė, 2021). La estrategia de
búsqueda se aplicó en los campos de título,
resumen y palabras clave utilizando los
operadores booleanos AND y OR. La sintaxis
de búsqueda empleada fue: ("artificial
intelligence" OR "computational intelligence"
OR "AI" OR "machine learning" OR "deep
learning" OR "neural network" OR "genetic
algorithm" OR "Digital Twins") AND ("oil
pipeline" OR "gas pipeline") AND
("monitoring" OR "anomaly detection" OR
"leak detection" OR "fault detection" OR
"corrosion" OR "pipeline integrity"). En
Scopus, la búsqueda arrojó un total de 945
registros y en WoS se obtuvieron 394 registros.
Los registros obtenidos de ambas bases de datos
fueron exportados en formato BibTeX para su
posterior procesamiento y análisis
bibliométrico.
Los registros recuperados de Scopus y Web of
Science se unificaron en una única base de datos
utilizando RStudio (versión 2026.01.1+403).
Además, se eliminaron los documentos
duplicados (Berrezueta et al., 2024). Lo que
permitió obtener 979 registros únicos.
Posteriormente, la base consolidada se depuró
utilizando Microsoft Excel. Se eliminaron los
registros con información bibliográfica
incompleta (Berrezueta et al., 2024). Lo que
resultó en 847 registros válidos para el análisis
bibliométrico. El análisis bibliométrico se
realizó mediante el paquete Bibliometrix,
ejecutado en RStudio, y el software VOSviewer
(v.1.6.21).
Bibliometrix se empleó para calcular
indicadores de desempeño científico,
incluyendo la evolución anual de las
publicaciones, la distribución por tipo de
documento, los países con mayor contribución
científica, los artículos científicos más citados y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 698
la construcción del mapa temático basado en
palabras clave de autor mediante Biblioshiny
(Apriantoro et al., 2024; Aria y Cuccurullo,
2017). Por su parte, VOSviewer se utilizó para
construir y visualizar redes de coocurrencia de
palabras clave y para la formación de clústeres
temáticos que reflejan las principales líneas de
investigación en el área de estudio (Nandiyanto
& Al Husaeni, 2022).
Resultados y Discusión
La producción científica sobre inteligencia
artificial aplicada al monitoreo de oleoductos
comprende un total de 847 publicaciones
indexadas en Scopus y Web of Science durante
el período 1994-2026, con la participación de
2308 autores. Entre los tipos de documentos
publicados en el área temática, destacan los
artículos científicos, con el 69,54% de la
producción total, seguidos por los artículos de
conferencia, con el 22,9%, lo que en conjunto
representa más del 92% de la literatura
publicada sobre inteligencia artificial aplicada
al monitoreo de oleoductos. En menor
proporción se identificaron artículos de revisión
(5,19%), capítulos de libro (2,13%) y otros tipos
de documento (0,24%).
Figura 1. Evolución anual de la producción
científica.
Fuente: Elaboración propia.
La Figura 1 muestra la evolución anual de la
producción científica y la distribución de los
tipos de documentos. De 1994 a 2018, la
producción científica fue escasa, con un
promedio de 3,7 publicaciones por año (92
publicaciones en 25 años). Los primeros
estudios de este periodo se centraron
principalmente en el desarrollo de modelos
predictivos basados en inteligencia artificial
para el reconocimiento de patrones
operacionales asociados al diagnóstico de fallas
y a la detección de fugas (Belsito et al., 1998;
Huali et al., 2004; Perschl, 1994; Sinha y
Pandey, 2002).
Posteriormente, la inteligencia artificial
comenzó a utilizarse para interpretar
información proveniente de sensores
ultrasónicos, sistemas de flujo magnético
(MFL), vibraciones mecánicas y emisiones
acústicas (Avelino et al., 2009; Chen Guanhua
et al., 2010; Jin et al., 2005; Oagaro &
Mandayam, 2008; Ravanbod, 2005). A partir de
2019, la producción muestra un incremento
sostenido hasta alcanzar su máximo en 2025
con 202 publicaciones, mientras que la
disminución registrada en 2026 (92
publicaciones) corresponde a un año aún en
curso.
En los años más recientes, la investigación
amplió su alcance mediante la integración de
Machine Learning para la predicción de fallos
(Al-Sabaeei et al., 2023), visión por computador
para la inspección automática (Eginov y
Eginova, 2025), gemelos digitales para el
diagnóstico de fugas (Al-Ammari et al., 2025) y
modelos avanzados para la evaluación de la
integridad estructural y la corrosión (Sarwar et
al., 2024). Esta evolución evidencia una
transición desde aplicaciones inicialmente
orientadas al diagnóstico y al reconocimiento de
fallas hacia enfoques más diversificados,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 699
capaces de integrar múltiples fuentes de datos y
técnicas de inteligencia artificial para abordar
de manera más amplia el monitoreo, la
inspección y la evaluación de la integridad de
los oleoductos.La Tabla 1 presenta los artículos
con mayor impacto científico en la
investigación sobre inteligencia artificial
aplicada al monitoreo de oleoductos, con un
rango de citas entre 113 y 228. Los estudios de
Wu et al. (2019), El-Abbasy et al. (2014) y El
Amine Ben Seghier et al. (2020) ocupan las tres
primeras posiciones, con 228, 194 y 165 citas,
respectivamente. El estudio realizado por
Bastian et al. (2019), que registra 164 citas
ocupa el cuarto lugar. En cuanto a la tasa de
citas por año, el artículo de Priyanka et al.
(2022), centrado en la aplicación de gemelos
digitales, alcanza el valor más alto, con 33 citas
por año.
Tabla 1. Artículos con mayor impacto científico según el número de citas.
N
Titulo
Revista
Citas
Citas/Año
Contribución
1
Reconocimiento inteligente de
vibraciones basado en una red
neuronal convolucional
unidimensional para el monitoreo
de tuberías mediante DAS.
Journal of
Lightwave
Technology
228
32,6
Propuesta de un modelo basado en una red neuronal
convolucional unidimensional y una máquina de vectores
de soporte para mejorar el reconocimiento de señales en
el monitoreo de oleoductos.
2
Modelos de redes neuronales
artificiales para predecir el estado
de oleoductos y gasoductos
offshore.
Automation in
Construction
194
16,2
Diseño de un modelo basado en redes neuronales
artificiales para la evaluación y predicción del estado de
oleoductos y gasoductos offshore.
3
Predicción de la profundidad
máxima de corrosión por
picaduras en oleoductos y
gasoductos.
Engineering
Failure Analysis
165
27,5
Desarrollo de un modelo híbrido de regresión por
vectores de soporte optimizado mediante algoritmos
metaheurísticos para la predicción de la profundidad
máxima de corrosión por picaduras en oleoductos y
gasoductos.
4
Inspección visual y
caracterización de la corrosión
externa en tuberías mediante una
red neuronal profunda.
NDT and E
International
164
23,4
Propuesta de un método basado en visión por computador
y una red neuronal convolucional para la detección y
localización automática de corrosión en tuberías.
5
Análisis del riesgo de falla en
tuberías mediante algoritmos de
aprendizaje automático basados
en datos.
Structural Safety
155
31
Demuestra que XGBoost es hasta 12 veces más rápido
que modelos físicos en análisis de riesgo de fallo,
viabilizando su aplicación a redes de tuberías de gran
escala.
6
Nuevo modelo de algoritmo
híbrido para la predicción de la
tasa de corrosión interna en
tuberías de flujo multifásico.
Journal of Natural
Gas Science and
Engineering
147
29,4
Desarrollo de un modelo híbrido de predicción de la tasa
de corrosión en oleoductos de flujo multifásico basado en
regresión por vectores de soporte, análisis de
componentes principales y optimización por enjambre de
partículas caóticas.
7
Marcos avanzados de inteligencia
para predecir la profundidad
máxima de corrosión por
picaduras en oleoductos y
gasoductos.
Process Safety and
Environmental
Protection
133
26,6
Evaluación comparativa de modelos de inteligencia
artificial para la estimación de la profundidad máxima de
corrosión por picaduras en oleoductos y gasoductos.
8
Gemelo digital para la estimación
del riesgo en oleoductos mediante
técnicas de pronóstico y
aprendizaje automático.
Journal of
Industrial
Information
Integration
132
33
Desarrollo de un sistema virtual inteligente basado en
gemelo digital para la predicción del riesgo de fallas en
sistemas de oleoductos.
9
Detección de fugas de gas
mediante un modelo de red
neuronal espacial y temporal.
Process Safety and
Environmental
Protection
130
32,5
Desarrollo de un modelo híbrido basado en una red
neuronal convolucional y una red bidireccional de
memoria a corto y largo plazo para la detección y el
diagnóstico de fugas de gas.
10
Extracción de características e
identificación en un sistema
distribuido de detección de
vibraciones por fibra óptica para
el monitoreo de la seguridad de
oleoductos.
Photonic Sensors
117
13
Demuestra que la descomposición wavelet packet reduce
la tasa de alarmas falsas al 5,6% en sistemas de sensado
vibracional por fibra óptica para monitoreo de oleoductos.
Fuente: Elaboración propia.
La producción científica sobre inteligencia
artificial aplicada al monitoreo de oleoductos
involucra a 53 países. La Figura 2 muestra la
distribución geográfica de las publicaciones a
nivel mundial. China lidera la producción con
345 artículos, equivalentes al 40,9% del total,
seguida de Estados Unidos con 91 artículos
(10%) y de Canadá con 62 artículos (7,1%). En
conjunto, estos tres países concentran más del
58% de la producción científica mundial. La
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 700
concentración de la producción científica en
China, Estados Unidos y Canadá puede estar
relacionada con la extensa infraestructura de
transporte de hidrocarburos existente en estos
países y con la necesidad de garantizar su
seguridad e integridad mediante tecnologías
avanzadas de monitoreo (Liang et al., 2024;
Shen y Zhou, 2024). En particular, el liderazgo
de China podría asociarse con su posición
destacada en la producción científica sobre
inteligencia artificial, donde actualmente lidera
en volumen de publicaciones, citas y concesión
de patentes (Stanford HAI, 2026).
Figura 2. Distribución geográfica de la producción científica por país (1994-2026).
Fuente: Elaboración propia.
Respecto a la colaboración internacional,
medida mediante el índice de publicaciones con
múltiples países (MCP), Vietnam registra el
mayor nivel de colaboración internacional
(66,7%), seguido de Malasia (55%), Reino
Unido (50%) y Tailandia (50%). China, pese a
liderar en producción científica, presenta una
tasa de colaboración internacional del 5,8%. En
términos de impacto científico, China, Canadá
y Australia son los países más citados a nivel
mundial. El análisis de coocurrencia de palabras
clave mediante VOSviewer permitió identificar
cuatro clústeres temáticos, representados por
diferentes colores en el mapa de coocurrencia
mostrado en la Figura 3, que evidencian la
estructura conceptual del campo y reflejan las
principales líneas de investigación y las
tendencias emergentes. El análisis de
coocurrencia de palabras clave evidencia que
las principales aplicaciones de la inteligencia
artificial en el monitoreo de oleoductos se
concentran en la detección de fugas (51
ocurrencias), seguida de la detección de
corrosión (27 ocurrencias) y la evaluación de la
integridad estructural de los oleoductos (15
ocurrencias). En menor medida, también se
identifican investigaciones orientadas al
monitoreo de oleoductos y a la detección de
anomalías, lo que evidencia la diversidad de
aplicaciones desarrolladas en este campo.
Figura 3. Red de coocurrencia de palabras
claves del autor de cuatro clústeres.
Fuente: Elaboración propia.
La red evidencia que el machine learning
constituye el nodo de mayor tamaño y el
principal eje de conexión entre los distintos
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 701
grupos temáticos, lo que refleja su amplia
presencia en la literatura analizada. El clúster 1
de color rojo agrupa términos como anomaly
detection, deep learning, internet of things, long
short term memory, SCADA systems, intrusion
detection, data models y time series, asociados
con la detección automática de eventos
anómalos y ciberataques en sistemas de control
de oleoductos mediante arquitecturas de
aprendizaje profundo aplicadas a datos de series
temporales provenientes de sensores IoT y
sistemas SCADA (Javid y Salahshoor, 2025; Lu
et al., 2025; Spandonidis et al., 2022; Verma et
al., 2026; Zaslavski y Kalech, 2024).
El clúster 2, de color verde, reúne seis términos
liderados por machine learning con 72
apariciones. Además, incluye pipeline integrity,
corrosion detection, corrosion prediction, in-
line inspection y XGBoost, y presenta una línea
de investigación orientada a la evaluación de la
integridad y el diagnóstico de la corrosión en
oleoductos mediante aprendizaje automático
(Nan et al., 2025; Shatnawi & Földesi, 2026; N.
Wang et al., 2023; Y. Wang et al., 2025). El
clúster 3 de color azul integra computer vision,
convolutional neural network, distributed
acoustic sensing, magnetic flux leakage y
pipeline monitoring. Este grupo se asocia
principalmente con el desarrollo de técnicas de
inteligencia artificial orientadas al monitoreo
mediante el procesamiento de señales e
información provenientes de sensores (Chen et
al., 2024; Shen y Zhou, 2024; Sun et al., 2023;
Yang et al., 2017).
El clúster 4 amarillo comprende artificial neural
network, support vector machine, genetic
algorithm, pattern recognition y leak detection.
Este clúster representa una línea de
investigación centrada en la aplicación de
algoritmos de inteligencia artificial para el
reconocimiento de patrones y la detección de
fugas en oleoductos (Kubba y Trabelsi, 2024;
Malekpour y She, 2021; Sharifi et al., 2025). En
conjunto, la red muestra una estrecha
interrelación entre los diferentes clústeres,
particularmente a través de machine learning y
leak detection, que actúan como nodos de
mayor conectividad dentro de la estructura
conceptual del campo. La Figura 4 presenta el
mapa temático que clasifica las palabras clave
de autor según dos factores: densidad (grado de
desarrollo) y centralidad (grado de relevancia)
(Apriantoro et al., 2024). Esta clasificación
permite identificar cuatro cuadrantes temáticos
en la investigación sobre inteligencia artificial
aplicada al monitoreo de oleoductos.
Figura 4. Mapa temático con las palabras
claves de autores.
Fuente: Elaboración propia.
En el cuadrante superior derecho,
correspondiente a temas motores, se agrupan
artificial neural network, support vector
machine y magnetic flux leakage, los cuales
presentan alta centralidad y alta densidad, lo
que indica que son temas bien desarrollados y
estrechamente vinculados con el resto del
campo. En el cuadrante inferior derecho,
correspondiente a los temas básicos, se
identifican dos clústeres. El primero agrupa
machine learning, corrosion detection y
pipeline integrity, mientras que el segundo está
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 702
conformado por leak detection, convolutional
neural network y distributed acoustic sensing.
En ambos casos, se trata de temas de alta
centralidad y menor densidad, lo que indica que
constituyen conceptos fundamentales y
ampliamente referenciados en el campo de
investigación. El cuadrante superior izquierdo,
correspondiente a los temas de nicho,
comprende deep learning, computer vision y
object detection en un clúster, y anomaly
detection, Internet of Things y digital twins en
otro. Estos temas presentan alta densidad, pero
menor centralidad, lo que indica líneas de
investigación especializadas y bien
desarrolladas, aunque aún periféricas respecto
al núcleo del campo. Finalmente, en el
cuadrante inferior izquierdo, correspondiente a
temas emergentes o en declive, se incluyen
genetic algorithm, phi-OTDR y cyber-physical
system, que presentan bajos niveles de
centralidad y densidad en la estructura temática
analizada. No obstante, con base únicamente en
los resultados obtenidos, no es posible
determinar si estos temas corresponden a líneas
emergentes o en declive.
Conclusiones
En el presente estudio se realizó un análisis
bibliométrico de la investigación sobre la
aplicación de la inteligencia artificial en el
monitoreo de oleoductos, a partir de
publicaciones indexadas en Scopus y en Web of
Science entre 1994 y 2026. Los resultados
evidenciaron un crecimiento sostenido de la
producción científica a partir de 2019, con
predominio de artículos científicos y la
participación de 53 países, liderados por China,
Estados Unidos y Canadá. Asimismo, el análisis
de coocurrencia identificó cuatro líneas de
investigación predominantes relacionadas con
la detección de anomalías, la evaluación de la
integridad de oleoductos, el monitoreo
inteligente y la detección de fugas mediante
técnicas de inteligencia artificial. Además, se
evidenció que las principales aplicaciones de la
inteligencia artificial se orientan a la detección
de fugas, de corrosión y a la evaluación de la
integridad de los oleoductos.
En conjunto, los resultados proporcionan una
visión integral del desarrollo científico de este
campo y constituyen una base de referencia para
futuras investigaciones, al identificar las
principales tendencias, aplicaciones y líneas de
investigación relacionadas con la inteligencia
artificial aplicada al monitoreo de oleoductos.
Se recomienda que futuras investigaciones
complementen el análisis bibliométrico con
revisiones sistemáticas de la literatura que
permitan profundizar en el desempeño, las
ventajas y las limitaciones de las diferentes
técnicas de inteligencia artificial aplicadas al
monitoreo de oleoductos.
Las limitaciones de este estudio incluyen el uso
exclusivo de las bases de datos Scopus y Web
of Science, así como la dependencia de la
estrategia de búsqueda empleada, factores que
pudieron afectar la recuperación de algunas
publicaciones relevantes.
Agradecimientos
La autora agradece al Ministerio de Educación,
Deporte y Cultura del Ecuador (MINEDEC) y
al Programa de Becas para el Fortalecimiento de
la Industria de Hidrocarburos - 2024 por el
apoyo brindado para la realización de sus
estudios de maestría, en el marco de los cuales
se desarrolló el presente trabajo como forma de
compensación.
Referencias Bibliográficas
Al-Ammari, W. A., Sleiti, A. K., Rahman, M.
A., Rezaei-Gomari, S., Hassan, I., & Hassan,
R. (2025). Digital twin for leak detection and
fault diagnostics in gas pipelines: A
systematic review, model development, and
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 703
case study. Alexandria Engineering Journal,
123, 91–111.
https://doi.org/10.1016/j.aej.2025.03.054
Al-Sabaeei, A. M., Alhussian, H., Abdulkadir,
S. J., & Jagadeesh, A. (2023). Prediction of
oil and gas pipeline failures through machine
learning approaches: A systematic review.
Energy Reports, 10, 1313–1338.
https://doi.org/10.1016/j.egyr.2023.08.009
Apriantoro, M. S., Dartim, & Andriyani, N.
(2024). Bibliometric Analysis of Carbon
Capture and Storage (CCS) Research:
Evolution, Impact, and Future Directions.
Challenges in Sustainability, 12(2), 152–
162. https://doi.org/10.56578/cis120205
Aria, M., & Cuccurullo, C. (2017).
bibliometrix : An R-tool for comprehensive
science mapping analysis. Journal of
Informetrics, 11(4), 959–975.
https://doi.org/10.1016/j.joi.2017.08.007
Avelino, A. M., de Paiva, J. A., da Silva, R. E.
F., de Araujo, G. J. M., de Azevedo, F. M.,
de O. Quintaes, F., Maitelli, A. L., Neto, A.
D. D., & Salazar, A. O. (2009). Real time
leak detection system applied to oil pipelines
using sonic technology and neural networks.
2009 35th Annual Conference of IEEE
Industrial Electronics, 2109–2114.
https://doi.org/10.1109/IECON.2009.54153
24
Bastian, B. T., N, J., Ranjith, S. K., & Jiji, C. V.
(2019). Visual inspection and
characterization of external corrosion in
pipelines using deep neural network. NDT &
E International, 107, 102134.
https://doi.org/10.1016/j.ndteint.2019.10213
4
Belsito, S., Lombardi, P., Andreussi, P., &
Banerjee, S. (1998). Leak detection in
liquefied gas pipelines by artificial neural
networks. AIChE Journal, 44(12), 2675–
2688. https://doi.org/10.1002/aic.690441209
Ben Seghier, M. E. A., Keshtegar, B., Taleb-
Berrouane, M., Abbassi, R., & Trung, N.-T.
(2021). Advanced intelligence frameworks
for predicting maximum pitting corrosion
depth in oil and gas pipelines. Process Safety
and Environmental Protection, 147, 818–
833.
https://doi.org/10.1016/j.psep.2021.01.008
Berrezueta, E., Kovács, T., Herrera-Franco, G.,
Caicedo-Potosí, J., Jaya-Montalvo, M.,
Ordóñez-Casado, B., Carrión-Mero, P., &
Carneiro, J. (2024). Laboratory Studies on
Underground H2 Storage: Bibliometric
Analysis and Review of Current Knowledge.
Applied Sciences, 14(23), 11286.
https://doi.org/10.3390/app142311286
Cardona, L. F., Guzmán-Luna, J. A., &
Restrepo-Carmona, J. A. (2024).
Bibliometric Analysis of Intelligent Systems
for Early Anomaly Detection in Oil and Gas
Contracts: Exploring Recent Progress and
Challenges. Sustainability, 16(11), 4669.
https://doi.org/10.3390/su16114669
Chen, D., Wen, M., Zhang, B., Zhang, J., Qin,
T., & Zhang, G. (2025). Independent
decoupling sensor featuring ultralow
temperature coefficient of resistance for
structural health monitoring of pipelines.
Nano Materials Science.
https://doi.org/10.1016/j.nanoms.2025.11.0
04
Chen Guanhua, Li Jianwei, Zhang Zongjian, &
Guan Jian. (2010). A pipeline leak detection
method based on wavelet packet and BP
neural network. 2010 International
Conference on Mechanic Automation and
Control Engineering, 5822–5825.
https://doi.org/10.1109/MACE.2010.55353
53
Chen, P., Li, R., Fu, K., Zhong, Z., Xie, J.,
Wang, J., & Zhu, J. (2024). A cascaded deep
learning approach for detecting pipeline
defects via pretrained YOLOv5 and ViT
models based on MFL data. Mechanical
Systems and Signal Processing, 206,
110919.
https://doi.org/10.1016/j.ymssp.2023.11091
9
Eginov, A. A., & Eginova, S. A. (2025).
PipesDefectDetection: A novel deep
learning framework for real-time gas
pipeline safety monitoring and defect
recognition. SoftwareX, 31, 102357.
https://doi.org/10.1016/j.softx.2025.102357
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 704
El Amine Ben Seghier, M., Keshtegar, B., Tee,
K. F., Zayed, T., Abbassi, R., & Trung, N. T.
(2020). Prediction of maximum pitting
corrosion depth in oil and gas pipelines.
Engineering Failure Analysis, 112, 104505.
https://doi.org/10.1016/j.engfailanal.2020.1
04505
El-Abbasy, M. S., Senouci, A., Zayed, T.,
Mirahadi, F., & Parvizsedghy, L. (2014).
Artificial neural network models for
predicting condition of offshore oil and gas
pipelines. Automation in Construction, 45,
50–65.
https://doi.org/10.1016/j.autcon.2014.05.00
3
Huali Chen, Hao Ye, Chen LV, & Hongyu Su.
(2004). Application of support vector
machine learning to leak detection and
location in pipelines. Proceedings of the 21st
IEEE Instrumentation and Measurement
Technology Conference (IEEE Cat.
No.04CH37510), 2273–2277.
https://doi.org/10.1109/IMTC.2004.135154
6
Ibrahim, R. I., Odah, M. K., & Al-Mufti, A.
(2019). An Overview on the Recent
Techniques for Improving the Flowability of
Crude Oil in Pipelines. IOP Conference
Series: Materials Science and Engineering,
579(1), 012054.
https://doi.org/10.1088/1757-
899X/579/1/012054
Javid, A., & Salahshoor, K. (2025). Real-time
leak detection system: A hybrid model of
moving average and Kalman filters with long
short-term memory (LSTM) on the Internet
of things (IoT) platform. Process Safety and
Environmental Protection, 202, 107713.
https://doi.org/10.1016/j.psep.2025.107713
Jin, T., Que, P., Chen, L., Chen, T., & Li, L.
(2005). Research on Recognition Algorithm
of Offshore Oil Pipeline Defect Inspection
Based on Magnetic Flux Leakage Method.
Journal of the Japan Petroleum Institute,
48(4), 243–249.
https://doi.org/10.1627/jpi.48.243
Kopbayev, A., Khan, F., Yang, M., & Halim, S.
Z. (2022). Gas leakage detection using
spatial and temporal neural network model.
Process Safety and Environmental
Protection, 160, 968–975.
https://doi.org/10.1016/j.psep.2022.03.002
Kubba, A. R., & Trabelsi, H. (2024). LoRa
Network Enhancement of Oil Pipelines Leak
Detection System Based on Artificial
Intelligence. 2024 21st International Multi-
Conference on Systems, Signals &
Devices (SSD), 216–223.
https://doi.org/10.1109/SSD61670.2024.105
49538
Liang, Y., Qiu, R., Tu, R., Du, J., Liao, Q., &
Shao, Q. (2024). Key technologies and
prospects for the operation of oil and gas
pipeline networks in China. Petroleum
Science Bulletin, 9(2), 213–223.
https://doi.org/10.3969/j.issn.2096-
1693.2024.02.016
Lu, K.-D., Yang, Y.-W., Zeng, G.-Q., Peng, C.,
Geng, G.-G., & Weng, J. (2025). BPSO-
AHDL-IDS: Binary Particle Swarm
Optimization-Based Automated Hybrid
Deep Learning Model for Intrusion
Detection of Internet of Things. IEEE
Transactions on Automation Science and
Engineering, 22, 15859–15877.
https://doi.org/10.1109/TASE.2025.357251
0
Malekpour, A., & She, Y. (2021). Real-time
leak detection in oil pipelines using an
Inverse Transient Analysis model. Journal of
Loss Prevention in the Process Industries,
70, 104411.
https://doi.org/10.1016/j.jlp.2021.104411
Mayet, A. M., Alizadeh, S. M., Parayangat, M.,
Grimaldo Guerrero, J. W., Raja, M. R.,
Muqeet, M. A., & Mohammed, S. A. (2025).
ACO-based feature selection and neural
network modeling for accurate gamma-
radiation based pipeline monitoring in the oil
industry. Applied Radiation and Isotopes,
215, 111587.
https://doi.org/10.1016/j.apradiso.2024.111
587
Mazumder, R. K., Salman, A. M., & Li, Y.
(2021). Failure risk analysis of pipelines
using data-driven machine learning
algorithms. Structural Safety, 89, 102047.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 705
https://doi.org/10.1016/j.strusafe.2020.1020
47
Nan, Z., Chen, L., Cheng, C., & Zhou, X.
(2025). An Interpretable Machine Learning
Model for Fatigue Life Prediction of Long-
Distance Natural Gas Pipelines with Internal
Corrosion Defects. Processes, 13(12), 3963.
https://doi.org/10.3390/pr13123963
Nandiyanto, A. B. D., & Al Husaeni, D. F.
(2022). Bibliometric analysis of engineering
research using vosviewer indexed by google
scholar. Journal of Engineering Science and
Technology, 17(2), 883–894.
Oagaro, J. A., & Mandayam, S. (2008). Multi-
Sensor Data Fusion using Geometric
Transformations for Gas Transmission
Pipeline Inspection. 2008 IEEE
Instrumentation and Measurement
Technology Conference, 1734–1737.
https://doi.org/10.1109/IMTC.2008.454732
4
Peng, S., Zhang, Z., Liu, E., Liu, W., & Qiao,
W. (2021). A new hybrid algorithm model
for prediction of internal corrosion rate of
multiphase pipeline. Journal of Natural Gas
Science and Engineering, 85, 103716.
https://doi.org/10.1016/j.jngse.2020.103716
Perschl, F. (1994). Decision support system for
fault diagnosis and recovery of gas
distribution networks. Second International
Conference on `Intelligent Systems
Engineering’, 442–447.
https://doi.org/10.1049/cp:19940663
Pipeline and Hazardous Materials Safety
Administration. (2025). Pipeline Incident 20
Year Trends. U.S. Department of
Transportation. https://www.phmsa.dot.gov/
Pranckutė, R. (2021). Web of Science (WoS)
and Scopus: The Titans of Bibliographic
Information in Today’s Academic World.
Publications, 9(1), 12.
https://doi.org/10.3390/publications901001
2
Priyanka, E. B., Thangavel, S., Gao, X.-Z., &
Sivakumar, N. S. (2022). Digital twin for oil
pipeline risk estimation using prognostic and
machine learning techniques. Journal of
Industrial Information Integration, 26,
100272.
https://doi.org/10.1016/j.jii.2021.100272
Ravanbod, H. (2005). Application of neuro-
fuzzy techniques in oil pipeline ultrasonic
nondestructive testing. NDT & E
International, 38(8), 643–653.
https://doi.org/10.1016/j.ndteint.2005.03.00
1
Salgado, W. L., Dam, R. S. F., Salgado, C. M.,
Puertas, E. J. A., & Silva, A. X. (2021).
System to detect the interface region and
identify products transported by polyducts
using artificial intelligence and gamma
radiation through MCNP6 code.
Measurement, 185, 110093.
https://doi.org/10.1016/J.MEASUREMENT
.2021.110093
Sarwar, U., Mokhtar, A. A., Muhammad, M.,
Wassan, R. K., Soomro, A. A., Wassan, M.
A., & Kaka, S. (2024). Enhancing pipeline
integrity: a comprehensive review of deep
learning-enabled finite element analysis for
stress corrosion cracking prediction.
Engineering Applications of Computational
Fluid Mechanics, 18(1).
https://doi.org/10.1080/19942060.2024.230
2906
Sharifi, A., Ranjbar, S. F., Alamdardehi, S. A.
M., Aslani, N., Zarezadeh, R., Majidi, H., &
Asadi, F. (2025). Genetic algorithm
optimization of negative pressure wave
method for robust real time leak detection in
long distance pipelines. Scientific Reports,
15(1), 36429.
https://doi.org/10.1038/s41598-025-20525-
5
Shatnawi, M., & Földesi, P. (2026). Automated
Multi-Dimensional Corrosion Growth
Modeling Based on In-Line Inspections.
IEEE Access, 14, 57997–58015.
https://doi.org/10.1109/ACCESS.2026.3683
313
Shen, Y., & Zhou, W. (2024a). A comparison of
onshore oil and gas transmission pipeline
incident statistics in Canada and the United
States. International Journal of Critical
Infrastructure Protection, 45, 100679.
https://doi.org/10.1016/j.ijcip.2024.100679
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 706
Shen, Y., & Zhou, W. (2024b). Development of
a convolutional neural network model to
predict the size and location of corrosion
defects on pipelines based on magnetic flux
leakage signals. International Journal of
Pressure Vessels and Piping, 207, 105123.
https://doi.org/10.1016/j.ijpvp.2023.105123
Sinha, S. K., & Pandey, M. D. (2002).
Probabilistic Neural Network for Reliability
Assessment of Oil and Gas Pipelines.
Computer-Aided Civil and Infrastructure
Engineering, 17(5), 320–329.
https://doi.org/10.1111/1467-8667.00279
Spandonidis, C., Theodoropoulos, P., &
Giannopoulos, F. (2022). A Combined Semi-
Supervised Deep Learning Method for Oil
Leak Detection in Pipelines Using IIoT at the
Edge. Sensors, 22(11), 4105.
https://doi.org/10.3390/s22114105
Stanford HAI. (2026). AI Index report 2026.
https://hai.stanford.edu/ai-index/2026-ai-
index-report/research-and-development
Sun, C., Wan, Y., Zhu, P., & Lin, F. (2023). A
CNN Model for Gas Pipeline Leakage
Detection Based on MFCC Feature
Extraction. Proceedings of the 2023 12th
International Conference on Networks,
Communication and Computing, 288–293.
https://doi.org/10.1145/3638837.3638881
Verma, P., Gandhi, K., Cheema, A. M., Ashfaq,
M., Shah, D., Ali, S., & Tahir, M. (2026).
DeepPipeNet enables deep learning based
anomaly detection for oil and gas pipeline
monitoring. Discover Applied Sciences,
8(5), 498. https://doi.org/10.1007/s42452-
026-08520-5
Wang, N., Song, L., Fang, H., Li, B., & Wang,
F. (2023). Multi-Parameter Maximum
Corrosion Depth Prediction Model for
Buried Pipelines Based on GSCV-XGBoost.
IEEE Access, 11, 116452–116471.
https://doi.org/10.1109/ACCESS.2023.3326
075
Wang, Y., Tang, F., Zhang, L., & Luo, Q.
(2025). Corrosion Risk Prediction Model for
Oil and Gas Pipelines Based on Machine
Learning. Proceedings of the 2nd
International Conference on Intelligent
Computing and Data Analysis, 273–277.
https://doi.org/10.1145/3772726.3772768
Woldesellasse, H., & Tesfamariam, S. (2023).
Risk analysis of onshore oil and gas
pipelines: Literature review and bibliometric
analysis. Journal of Infrastructure
Intelligence and Resilience, 2(4), 100052.
https://doi.org/10.1016/j.iintel.2023.100052
Wu, H., Chen, J., Liu, X., Xiao, Y., Wang, M.,
Zheng, Y., & Rao, Y. (2019). One-
Dimensional CNN-Based Intelligent
Recognition of Vibrations in Pipeline
Monitoring With DAS. Journal of Lightwave
Technology, 37(17), 4359–4366.
https://doi.org/10.1109/JLT.2019.2923839
Wu, H., Qian, Y., Zhang, W., & Tang, C.
(2017). Feature extraction and identification
in distributed optical-fiber vibration sensing
system for oil pipeline safety monitoring.
Photonic Sensors, 7(4), 305–310.
https://doi.org/10.1007/s13320-017-0360-1
Yang, L., Shi, M., & Gao, S. (2017). The
method of the pipeline magnetic flux leakage
detection image formation based on the
artificial intelligence. Proceedings of the
International Conference on Video and
Image Processing, 20–24.
https://doi.org/10.1145/3177404.3177434
Zaslavski, M., & Kalech, M. (2024). Time
series processing-based malicious activity
detection in SCADA systems. Internet of
Things, 28, 101355.
https://doi.org/10.1016/j.iot.2024.101355
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Heydi María
Solórzano Medranda.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8.1
Edición Especial VIII 2026
Página 707
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT),
Heydi María Solórzano Medranda: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Declaración de conflicto de intereses
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del
presente artículo.
Declaración de financiamiento
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.
Declaración del editor
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia
y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego, garantizando la
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el artículo
cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.
Declaración de los revisores
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que sus
observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.
Declaración ética de la investigación
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben ajustarse
a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.
Declaración sobre el uso de inteligencia artificial
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del manuscrito
ni sustituyen la responsabilidad académica de los investigadores.
Disponibilidad de datos
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.