1
Dueñas Guerra
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
2
Secuenciación de tareas con algoritmos lean en cartón
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
Secuenciación de tareas por Algoritmos mediante la Teoría
de Lean Manufacturing en el Sector Cartonero
Jairo Orlando Dueñas Guerra
Universidad de Bogotá Jorge Tadeo Lozano, Cra. 4 #22-61, Bogotá, Colombia
Autor de correspondencia: jaordugue@gmail.com
https://doi.org/10.22209/rt.v48a01
Recepción: 22 octubre 2024 | Aceptación: 10 febrero 2025 | Publicación: 14 marzo 2025.
Resumen
En este estudio sobre el sector del cartón se abordaron diversos procesos, como la impresión, troquelado,
descarte, plegado y flejado, en una empresa con problemas operativos previamente identificados. Para ello, se
implementaron soluciones utilizando herramientas de Lean Manufacturing y algoritmos de secuenciación de tareas.
El análisis se estructuró en cuatro etapas: primero, se recopiló información operativa; luego, se aplicaron técnicas de
Lean Manufacturing para optimizar los procesos. La metodología fue de enfoque empírico-inductivo, con análisis de
datos y la implementación de algoritmos de secuenciación. La justificación se centró en priorizar una impresora
específica, logrando reducir los tiempos de alistamiento en un 35%, lo que se tradujo en una disminución significativa
de las horas de trabajo. Se emplearon algoritmos de secuenciación para optimizar la organización laboral, utilizando
herramientas colaborativas como Google Collaborative. Los resultados demostraron que estos algoritmos mejoraron
los tiempos de procesamiento, reduciendo las horas de trabajo en un 57,6%, lo que sugiere que son una alternativa
viable para optimizar el proceso de impresión en empresas de cartón.
Palabras clave: algoritmos de secuenciación, impresión en cartón, Lean Manufacturing, optimización de procesos.
Sequencing of tasks by algorithms through the theory of lean
manufacturing in the cardboard sector
Abstract
This study on the cardboard sector addressed various processes, such as printing, die-cutting, discarding, folding,
and strapping, in a company with previously identified operational issues. Solutions were implemented using Lean
Manufacturing tools and task sequencing algorithms. The analysis was structured in four stages: first, operational data
was collected; next, Lean Manufacturing techniques were applied to optimize processes. The methodology was
empirical-inductive, with data analysis and the implementation of sequencing algorithms. The justification focused on
prioritizing a specific printer, achieving a 35% reduction in setup times, which led to a significant decrease in work
hours. Sequencing algorithms were used to optimize task organization, leveraging collaborative tools like Google
Collaborative. The results demonstrated that these algorithms improved processing times, reducing work hours by
57.6%, suggesting they are a viable alternative for optimizing the printing process in cardboard companies.
Keywords: carton printing, Lean Manufacturing, process optimization, task sequencing algorithms.
3
Dueñas Guerra
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
Sequenciamento de Tarefas por Algoritmos Utilizando a
Teoria da Manufatura Enxuta no Setor de Papelão
Resumo
Este estudo sobre a indústria de papelão abordou vários processos, como impressão, corte e vinco, descarte, dobra
e cintagem, em uma empresa com problemas operacionais previamente identificados. Para isso, foram implementadas
soluções utilizando ferramentas de Lean Manufacturing e algoritmos de sequenciamento de tarefas. A análise foi
estruturada em quatro etapas: primeiramente, foram coletadas informações operacionais; Técnicas de Manufatura
Enxuta foram então aplicadas para otimizar os processos. A metodologia foi empírico-indutiva, com análise de dados
e implementação de algoritmos de sequenciamento. A justificativa se concentrou em priorizar uma impressora
específica, reduzindo o tempo de configuração em 35%, o que resultou em uma redução significativa nas horas de
trabalho. Algoritmos de sequenciamento foram utilizados para otimizar a organização do trabalho, utilizando
ferramentas colaborativas como o Google Collaborative. Os resultados mostraram que esses algoritmos melhoraram
os tempos de processamento, reduzindo as horas de trabalho em 57,6%, sugerindo que eles são uma alternativa viável
para otimizar o processo de impressão em empresas de papelão.
Palavras-chave: algoritmos de sequenciamento, impressão em papelão, Lean Manufacturing, otimização de
processos. Introducción
La gama de productos en una empresa cartonera es variada y se expande según nuevas utilidades del cartón,
como publicidad, mobiliaria, soportes y material didáctico (Mera-Silva, 2024). Los productos más representativos
incluyen cajas de empaque de distintas medidas, cajas de doble pared para transporte largo y protección de productos
delicados, bandejas de frutas resistentes a la humedad, cajas de doble cuerpo para grandes dimensiones, cajas
telescópicas para el sector floricultor, cajas troqueladas para archivo, lámina troquelada para usos industriales, single
face para empaques, particiones para envases de vidrio y esquineros para cargas muertas (Ponce Telles y Gómez
Romero, 2022). Según Quishpe (2021), las cajas de cartón corrugado son fundamentales en la industria del envase y
embalaje por la protección que brindan. Ayerst (2015, citado en Quishpe, 2021, p. 537) destaca la fabricación de cajas
decorativas con diseños impresos.
No todas las empresas ofrecen todos estos productos, ya que requieren maquinaria especial o se producen
manualmente (particiones, esquineros, etc.) y su mercado es limitado. La organización de procesos depende del
tamaño de la empresa, recursos, tecnología y materia prima. A través del tiempo han surgido nuevas invenciones,
técnicas y herramientas que buscan facilitar y mejorar el desarrollo de las actividades (Peña Guarín et al., 2020; Caro
Dávila y Ponce de León Vargas, 2021). Factores como la planeación de la producción afectan directamente los
procesos. Jiménez-León (2020) menciona que una planeación subjetiva no aprovecha las características similares entre
pedidos, generando tiempos de alistamiento innecesarios y sobrecostos. Por lo tanto, es una prioridad abordar este
problema. Para ello, se recomienda la utilización de un software especializado en áreas de ingeniería de operaciones
(Salazar Otálora et al., 2023).
Para mejorar los procesos industriales se utilizan técnicas como los algoritmos secuenciadores, que han
demostrado eficiencia en diferentes procesos productivos (Veliz-Camargo y Maytan-Huamanchao, 2024). La
combinación de progresos en matemática, informática y tecnología ha creado nuevas realidades, permitiendo
algoritmos que van más allá de operaciones simples, ofreciendo posibilidades antes vistas en ciencia-ficción
(Rodríguez Cardo, 2022). Ejemplos de aplicabilidad incluyen optimización en empresas de vehículos usados, redes
de distribución eléctrica, horarios estudiantiles y selección de calibres de conductores eléctricos (Mendoza et al., 2020;
Mejía Viteri et al., 2022; Aguirre Morillo y Toapanta Barreiro, 2021; Chávez-Bosquez et al., 2015; Romero-Conrado
et al., 2020; Montoya et al., 2018). Los objetivos principales de la programación de producción son cumplir fechas de
entrega, reducir tiempos de entrega, minimizar alistamiento, reducir inventario de producto en proceso y maximizar
la utilización de máquinas y mano de obra.
Este estudio de investigación tiene como objetivo optimizar los procesos del sector cartonero en una empresa
con problemas operativos. Se analizaron y mejoraron procesos clave como impresión, troquelado, descartonado,
plegado y zunchado. Se propusieron soluciones basadas en Lean Manufacturing y algoritmos de secuenciación para
4
Secuenciación de tareas con algoritmos lean en cartón
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
reducir tiempos y mejorar la eficiencia (Mathiyazhagan et al., 2022; Manzano Rodríguez y Ramos Alfonso, 2023). La
implementación de Lean Manufacturing promueve una cultura de mejora continua y adaptación a cambios en el
entorno (Puertas Aragón y Lozada Rivera, 2024). La metodología Lean Manufacturing se define como un modelo de
gestión de excelencia que elimina desperdicios sin valor, aplicando herramientas como 5S y SMED. Esta filosofía
optimiza procesos de producción eliminando actividades sin valor desde el inicio hasta el cierre, mejorando la
economía y ahorro de recursos (Vargas Crisóstomo y Camero Jiménez, 2021).
Materiales y Métodos
Compilación de datos operacionales
El primer paso de la investigación consistió en digitalizar las minutas de trabajo diarias de cada turno y
tripulación. Esta base de datos operacionales incluyó información relevante sobre las diferentes categorías de
productos y parámetros del proceso, tales como la cantidad de tintas, dimensiones de la lámina, tipo de pestaña,
unidades procesadas y tiempos improductivos de las cuatro impresoras/troqueladoras.
Durante la inspección preliminar, se observó que solo la impresora S Y S tenía cifras de proceso en todas las
categorías de productos determinadas. De los 1194 trabajos procesados, el 33% fueron realizados en dicha máquina,
la cual también utilizaba la mayor cantidad de horas trabajadas. Por estas razones, se eligió la impresora S Y S para
desarrollar los objetivos del estudio.
Cálculo de los tiempos improductivos
Para calcular los tiempos improductivos de la impresora S Y S, se identificaron y monitorearon 21 factores que
fueron reportados en las minutas diarias de trabajo. Los datos fueron recogidos durante el período de estudio y se
sumaron para obtener el tiempo total improductivo. La Tabla 1 detalla los factores reportados y la Figura 1 los tiempos
improductivos en cada factor.
Tabla 1. Factores de tiempos improductivos
Factores Reportados
01 Preparación de tintas
08 Daño plancha
15 Espera de aprobación
02 Aseo de puestos de trabajo
09 Daño máquina
16 MP ondulada
03 Mantenimiento máquina
10 Falta de cuchillas
17 MP quebradiza
04 Reuniones
11 Falta de energía eléctrica
18 Lavado planchas y cubetas
05 Orden y aseo planta
12 Falta aire
19 Problemas de medida de la lámina
06 Buscar planchas
13 Buscar lámina
20 Arreglar montaje planchas
07 Armar troqueles
14 Buscar herramientas,
cuchilla etc.
21 Problemas zunchadora
Figura 1. Tiempos improductivos para los factores reportados.
3.75
6.17
0.42
3
0.25
0.33
1.17
1.42
0.25
0.5
1.92
0.5
0.33
1.33
1
0
1
2
3
4
5
6
7
F1 F6 F8 F9 F10F11F12F13F14F15F16F17F19F20F21
5
Dueñas Guerra
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
Técnicas aplicadas
El método Lean Manufacturing, que implica la mejora continua de las operaciones, fue adoptado como filosofía
para el diseño del plan estratégico del estudio (Malpartida Gutiérrez, 2020). Se investigaron las técnicas de Lean
Manufacturing más impleadas y, según la revisión de Cano y Escobar (2018), se seleccionaron las técnicas 5 S y
Single Minute Exchange Die (SMED).
La técnica 5 S se basa en cinco principios: Clasificar (Seiri), Ordenar (Seiton), Limpiar (Seiso), Estandarizar
(Seiketsu) y Sostener (Shitsuke), para crear un ambiente de trabajo organizado y eficiente, eliminando desperdicios
(Mehta y Dave, 2020). Se eligió por su capacidad de proporcionar soluciones rápidas y económicas a problemas que
generen retrasos y tiempos improductivos.
La técnica Single Minute Exchange Die (SMED) busca reducir los tiempos de cambio entre operaciones mediante
la separación de ajustes internos y externos, estandarización de tareas y uso de herramientas rápidas (Davalos Román
et al., 2023). Se seleccionó por su efectividad en proporcionar resultados rápidos y económicos, y se utilizó para
optimizar las actividades de alistamiento de la máquina y la impresión/troquelado.
Digitalización y depuración de datos
Se digitalizaron los reportes diarios de producción de cuatro meses (agosto, septiembre, octubre y noviembre)
del año 2019. Después de depurar la información, se obtuvo una base de datos con 31,219 celdas que incluía datos
específicos del proceso como:
Impresora utilizada
Cliente, referencia, cantidad solicitada, clave
Medidas de la lámina
Cantidad de tintas
Tiempo empleado
Inconvenientes sucedidos
Metros cuadrados procesados
La información fue organizada y se identificaron cinco categorías de productos. Estas categorías se describen
más adelante en la Figura 3, donde se observa que la impresora S Y S cumple con todas las categorías identificadas.
Aplicación de algoritmos de secuenciación
Para optimizar la secuenciación de tareas y minimizar los tiempos de alistamiento en la impresora S Y S, se
implementaron varios algoritmos de secuenciación utilizando Google Colaborative. Los algoritmos empleados fueron:
Búsqueda Tabú (Tabu Search): Utiliza una memoria adaptativa y una exploración exhaustiva para evitar
óptimos locales prematuros, mejorando la eficiencia del historial de movimientos (Tan et al., 2021; Ñaupari
Huatuco et al., 2022; Martí et al., 2023).
Recocido Simulado (Simulated Annealing): Realiza movimientos de escala controlados para alcanzar un
equilibrio entre exploración y explotación, facilitando la convergencia hacia soluciones óptimas (Hernández-
Vázquez et al., 2019; Guilmeau et al., 2021; Pardalos y Mavridou, 2024).
Búsqueda Local Guiada (Guided Local Search): Usa penalizaciones aplicadas a ciertos movimientos para
guiar la búsqueda hacia áreas prometedoras y mejorar resultados (Alsheddy et al., 2018).
Los datos de procesamiento de la impresora S Y S recogidos durante 4 meses se dividieron en 8 grupos de 15
días. Se asignaron prioridades a cada pedido según categoría de producto, cantidad de tintas, tipo de pestaña y medidas
de la lámina, para disminuir los tiempos de arreglo. Se crearon matrices para colores, pestañas y medidas de la lámina,
asignando pesos según la similitud entre pedidos. Los valores aumentaron si la diferencia entre pedidos era mayor,
dificultando el alistamiento. Si los pedidos eran similares, el valor asignado era menor, facilitando el alistamiento.
Con los resultados obtenidos, se reasignaron nuevos factores de montaje y se recalcularon los tiempos de alistamiento.
Recolección de datos y procedimientos adicionales
Los datos fueron recolectados durante un período de cuatro meses (agosto a noviembre de 2019). Las pruebas
fueron administradas en el entorno de producción, explicando a los participantes la naturaleza voluntaria de su
participación.
6
Secuenciación de tareas con algoritmos lean en cartón
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
Para la recolección de datos en este estudio, se realizó un análisis estadístico de los tiempos de proceso en la
impresora S Y S. Los datos fueron calculados en función del tiempo requerido por unidad, a partir de los registros
históricos de la máquina. Durante la inspección preliminar, se observó que solo la impresora S Y S tenía cifras de
proceso en todas las categorías de productos determinadas. De los 1194 trabajos procesados, el 33% fueron realizados
en dicha máquina, la cual también utilizaba la mayor cantidad de horas trabajadas. Por estas razones, se eligió la
impresora S Y S para desarrollar los objetivos del estudio. La Figura 2 muestra los metros cuadrados procesados por
categoría en cada máquina, destacando que la categoría 1 de la impresora S Y S es la que procesa mayor cantidad de
metros cuadrados. Esto permitió identificar los elementos de mayor impacto en los tiempos de producción.
Figura 2. Metros cuadrados por categoría en cada máquina.
La metodología incluyó una segmentación por factores de montaje, dividiendo los datos en cuatro factores
identificados como relevantes para el proceso de impresión. Los datos de la categoría 1 se segregaron en función de
los cuatro factores de montaje, que afectan los tiempos de alistamiento y procesamiento:
Factor 1: Montaje exacto al anterior, no hay cambios de tinta o cuchillas ni lavado, sin necesidad de
alistamiento adicional.
Factor 2: Montaje similar en algunos aspectos (tintas, medidas, aleta de la caja), con ahorro de tiempo en
alistamiento.
Factor 3: Montaje no similar al anterior, requiriendo lavado y alistamiento completo.
Factor 4: Primer montaje del turno, con alistamiento desde cero.
Esto facilitó un análisis detallado y específico que permitió evaluar el peso y la contribución de cada factor en
los tiempos totales de operación, proporcionando así una base sólida para potenciales mejoras en eficiencia.
Herramientas utilizadas
Se emplearon herramientas estadísticas y algoritmos de programación en el entorno R para la simulación de
resultados y la optimización de procesos industriales (Egas-García, et al, 2022).
445
591,384
12,781
0
1,355
558,435
38,045
41,110
17,297
78,389
0
0
0
247,875
64,623
0
0
386,201
169,038
46,637
0
100000
200000
300000
400000
500000
600000
700000
Cat
1Cat
2Cat
3Cat
4Cat
5Cat
1Cat
2Cat
3Cat
4Cat
5Cat
1Cat
2Cat
3Cat
4Cat
5Cat
1Cat
2Cat
3Cat
4Cat
5
Gandossi S Y S Ward 1 Ward 2
7
Dueñas Guerra
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
Resultados y Discusión
Inicialmente se analizaron las cinco categorías de proceso y se observó que las impresoras S Y S y GANDOSSI
pueden procesar todas las categorías (Figura 3). La Figura 4 presenta los porcentajes de procesamiento de cada
categoría. Sin embargo, se notó que los procesados por la impresora GANDOSSI requieren más tiempo debido al gran
tamaño de la máquina. Por esta razón, la impresora GANDOSSI se utiliza principalmente para procesar cajas grandes
y tapas de flores (categoría 3).
Figura 3. Categorización de los productos de la empresa cartonera.
Figura 4. Producción y categorías por impresora.
8
Secuenciación de tareas con algoritmos lean en cartón
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
En la Figura 4 se evidencia que la impresora S Y S procesa el 33 % de los metros cuadrados, además es una
máquina versátil y se tienen datos de proceso para todas las categorías. En el sector cartonero la unidad de referencia
para controlar los procesos no son las unidades procesadas sino los metros cuadrados procesados porque entre más
grande sea la caja mayor es su valor, agrupando cada categoría y analizándola por metros cuadrados se obtiene lo
mostrado en la Figura 5.
Figura 5. Porcentaje de metros cuadrados procesados por categoría e impresora.
Como se observa, la impresora S Y S procesa el mayor porcentaje de material (cartón) seguida por las
GANDOSSI y WARD 2 aunque es evidente que cada impresora tiene una categoría en la que se destaca, la S Y S es
la que mejor se ajusta al procesamiento de todas las categorías y por ende la importancia de su estudio para obtener
resultados confiables.
En la Figura 6, se muestra los metros cuadrados, horas, unidades, tiempos improductivos y los montajes
realizados para la impresora S Y S donde destaca que dicha impresora por la variedad de categorías que maneja tiene
reportado la mayor cantidad de tiempos improductivos con 22,3 horas (39%) y la mayor cantidad de montajes con 609
cambios (51%). Los detalles sobre cómo se calcularon los tiempos improductivos se encuentran en la sección de
Metodología.
Figura 6. Porcentajes operativos de la impresora S Y S.
De igual manera se determinaron los montajes realizados y el factor entre cada montaje, según se explica en la
metodología. Al analizar los Factores entre montaje se evidenció que los porcentajes con número 1 fueron los más
bajos al compararlos con otros factores (Figura 7), se entiende que eso se relaciona directamente con las ventas de la
compañía, pero debe ser una meta a corto plazo lograr su incremento en la medida de lo posible, es necesario aumentar
su porcentaje en la máquina para tener un mayor aprovechamiento de la impresora.
33 44
44
39 51
0 10 20 30 40 50 60
m2
Horas trabajadas
Unidades procesadas
Tiempo improductivo
Montajes realizados
Porcentaje
9
Dueñas Guerra
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
Figura 7. Porcentajes de los factores por montaje de la impresora S Y S.
La impresora S Y S procesa principalmente la categoría 1, puede procesar cajas grandes, pero maniobrar lámina
de grandes dimensiones en la bandeja de alimentación de la impresora es complicado porque no es tan espaciosa,
además abrir las bandas de los cuerpos de impresión y troquelado es incómodo porque están por la parte inferior de la
máquina, siendo muy demorado este tipo de alistamiento.
En la Tabla 2 se sintetizan los datos estadísticos de la impresora S Y S sobre los tiempos por unidad que se
calcularon con los tiempos de proceso reportados. Luego se concentra puntualmente en la categoría 1 que es la de
mayor concentración en la máquina y después se segrega por cada uno de los 4 factores de montaje identificados.
Tabla 2. Resumen estadístico de la impresora S Y S.
S Y S tiempo / unidad (min)
S Y S CATEGORÍA 1
tiempo / unidad (min)
S Y S CATEGORÍA 1
FACTOR 1
tiempo / unidad (min)
Media
0,094
Media
0,095
Media
0,048
Error típico
0,002
Error típico
0,002
Error típico
0,003
Mediana
0,083
Mediana
0,084
Mediana
0,045
Moda
0,08
Moda
0,12
Moda
0,059
Desv. estándar
0,042
Desv. estándar
0,024
Desv. estándar
0,012
Varianza de la
muestra
0,002
Varianza de la
muestra
0,002
Varianza de la
muestra
0,000
Curtosis
4,714
Curtosis
4,995
Curtosis
-1,140
Coeficiente de
asimetría
1,864
Coeficiente de
asimetría
1,932
Coeficiente de
asimetría
0,167
Rango
0,278
Rango
0,264
Rango
0,039
Mínimo
0,017
Mínimo
0,03
Mínimo
0,03
Máximo
0,294
Máximo
0,294
Máximo
0,069
Suma
57,120
Suma
50,046
Suma
1,017
Cuenta
609
Cuenta
526
Cuenta
21
Nivel de confianza
(95 %)
0,003
Nivel de
confianza (95
%)
0,004
Nivel de confianza
(95 %)
0,005
S Y S CATEGORÍA 1 FACTOR 2
tiempo / unidad (min)
S Y S CATEGORÍA 1 FACTOR 3
tiempo / unidad (min)
S Y S CATEGORÍA 1
FACTOR 4
tiempo / unidad (min)
Media
0,086
Media
0,109
Media
0,108
Error típico
0,002
Error típico
0,004
Error típico
0,005
Mediana
0,078
Mediana
0,095
Mediana
0,1
Moda
0,08
Moda
0,12
Moda
0,1
Desv. estándar
0,034
Desv. estándar
0,047
Desv. estándar
0,043
4.8
46.1
34
15.1
0
10
20
30
40
50
1 2 3 4
Porcentaje
10
Secuenciación de tareas con algoritmos lean en cartón
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
S Y S CATEGORÍA 1 FACTOR 2
tiempo / unidad (min)
S Y S CATEGORÍA 1 FACTOR 3
tiempo / unidad (min)
S Y S CATEGORÍA 1
FACTOR 4
tiempo / unidad (min)
Varianza de la
muestra
0,001
Varianza de la
muestra
0,002
Varianza de la
muestra
0,002
Curtosis
7,665
Curtosis
3,793
Curtosis
3,741
Coeficiente de
asimetría
2,253
Coeficiente de
asimetría
1,840
Coeficiente de
asimetría
1,715
Rango
0,250
Rango
0,243
Rango
0,228
Mínimo
0,044
Mínimo
0,046
Mínimo
0,052
Máximo
0,294
Máximo
0,289
Máximo
0,28
Suma
22,288
Suma
19,074
Suma
7,667
Cuenta
259
Cuenta
175
Cuenta
71
Nivel de confianza
(95 %)
0,004
Nivel de
confianza (95 %)
0,007
Nivel de confianza
(95 %)
0,010
En el primer cuadro se muestran las estadísticas generales de las 609 cifras de la impresora S Y S, con una media
de 0,094 y una desviación estándar de 0,042 lo que indica un coeficiente de variación (CV) de 45% que demuestra
que los datos tienen una alta variación respecto al promedio. Se puede observar que al centrarse los datos en la
categoría 1, que es la familia de productos más adecuada para ser procesada en esta máquina, tanto la media como la
desviación estándar cambian. Estos indicadores también cambian por cada uno de los 4 factores de montaje, con el
factor 1 la media es de 0,048 y la desviación es de 0,012, resultando un CV de 25% lo cual evidencia una menor
dispersión de los datos. Para los demás factores el CV fue mayor, con 39, 47 y 39% para los factores 2, 3 y 4
respectivamente, demostrando que los tiempos de alistamiento dan mayor variabilidad según el factor de montaje. El
porcentaje de alistamiento para el Factor 1 es bajo porque no hay alistamiento, mientras que en los otros factores este
porcentaje va aumentando.
Se identificaron también los Coeficientes de Correlación lineal de Pearson entre las columnas de datos para
identificar cuales tienen una relación directa entre sí, encontrando que los datos de las unidades entregadas y los metros
cuadrados totales tienen relación con el tiempo de proceso reportado; lo mismo pasa con el tiempo unitario en relación
al tiempo unitario multiplicado por el factor de montaje, esto significa que el factor de montaje influye
considerablemente en el tiempo unitario (Tabla 3).
Tabla 3. Correlación de variables de la impresora S Y S.
Relación
Coeficiente de Correlación R
Unidades entregadas-Tiempo de proceso reportado (min)
0,749
Metros cuadrados totales-Tiempo de proceso reportado (min)
0,743
Tiempo (min)-Tiempo unit x Factor de montaje
0,877
Metros cuadrados totales-Tiempo (min)
-0,183
Unidades entregadas-Tiempo (min)
-0,442
Tiempo (min)-Factor de montaje
0,272
Tiempo (min)-Factor de montaje x m2
-0,208
Tiempo (min)-Tiempo de proceso reportado (min)
0,039
Tiempo (min)-Número de tintas
0,266
Después de analizar la condición inicial de la impresora S Y S, se aplicó la técnica SMED, cuyo objetivo es
reducir los tiempos de alistamiento o de cambio entre procesos que requieren la detención de la máquina,
convirtiéndolos en tiempos productivos o que aporten valor agregado. Para el cálculo de los tiempos de alistamiento,
se tomaron como referencia los tiempos unitarios de los pedidos con factor 1. Los resultados obtenidos se presentan
en la Tabla 4.
11
Dueñas Guerra
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
Tabla 4. Porcentajes de alistamiento por categorías.
Prom.
Factor 1
%
Total
Aleta
Factor
4
Factor 3
Factor 2
Categoría
Observación
0,049
+5
0,0515
Dentro
50%
47%
37%
1
0,048
+5
0,0504
Fuera
43%
39%
30%
1
0,048
+5
0,0504
Dentro
52%
40%
22%
2
Pocos datos
0,052
+5
0,0546
Fuera
48%
44%
35%
2
Pocos datos
0,049
+5
0,0515
NA
54%
46%
26%
3
0,060
+5
0,0630
NA
24%
22%
13%
4
Pocos datos
0,071
+5
0,0746
NA
16%
13%
8%
5
Pocos datos
El factor de montaje 4 en la impresora S Y S, dentro de las categorías 1, 2 y 3, se encuentra en promedio alrededor
del 50%. Esto sugiere que un alistamiento desde cero representa la mitad del tiempo total reportado, mientras que la
otra mitad corresponde al procesamiento del pedido. Estudios que aplican la técnica SMED en procesos de flexografía
sobre sustratos plásticos, un proceso técnicamente similar a la impresión sobre liner kraft utilizado en cajas de cartón,
han mostrado una reducción de tiempos de proceso entre el 29% y el 75%, con un valor promedio de disminución del
41%. Los resultados obtenidos se presentan en la Tabla 5.
Tabla 5. Nuevos tiempos de alistamiento después de mejoras en el proceso.
Factor 4
Factor 3
Factor 2
Factor 1
Totales
Categorías
%
DM
TA
(min)
TM
(min)
%
DM
TA
(min)
TM
(min)
%
DM
TA
(min)
TM
(min)
TA (min)
TA
(min)
TM
(min)
40
6565
5405
39
13246
10975
26
20520
18012
805
4113
6
35197
Categoría 1
Aleta
dentro-
fuera
33
4590
3973
30
12600
10746
22
11365
9983
1315
2987
0
26017
41
220
180
30
130
112
16
190
177
290
830
759
Categoría 2
Aleta
dentro-
fuera
38
310
260
34
680
558
27
550
484
140
1680
1442
44
550
449
36
2050
1698
19
1250
1131
150
4000
3428
Categoría 3
16
530
494
13
280
257
8
390
183
120
1320
1054
Categoría 4
8
2885
2744
7
1140
1081
3
881
827
920
5826
5572
Categoría 5
%DM: porcentaje después de la mejora TA: tiempo actual TM: tiempo después de la mejora
Se recalcularon los tiempos de alistamiento aplicándoles una disminución del 35 % teniendo la siguiente tabla
resumen para la impresora S Y S. Con estos nuevos porcentajes se establecieron nuevos tiempos de proceso, siendo
el resultado de la aplicación teórica de las herramientas Lean. La disminución se efectuó sobre el alistamiento
establecido en cada OP según las cifras del factor 1 para cada categoría de producto, realizándose para las OP del
factor de montaje 2, 3 y 4. Para factor 1 no se desarrolló porque no tiene alistamiento y es 100% tiempo de
procesamiento.
Para el uso de algoritmos de secuenciación se disponen de 609 datos del procesamiento en la impresora S Y S en
4 meses. Como no se dispone de la fecha de ingreso a producción ni del compromiso de entrega, entonces se agruparon
en conjuntos de 15 días, porque esa es la política de entrega y teniendo 8 grupos como se muestra en la Tabla 6.
Tabla 6. Agrupación de los datos para el análisis por algoritmo secuencial.
No
Intervalo de fecha
Cantidad de pedidos
1
Agosto 1 al 15
70
2
Agosto 16 al 31
45
3
Septiembre 1 al 15
88
4
Septiembre 17 al 29
70
12
Secuenciación de tareas con algoritmos lean en cartón
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
5
Octubre 1 al 13
72
6
Octubre 16 al 31
76
7
Noviembre 2 al 15
68
8
Noviembre 16 al 30
120
Para cada uno de los 8 conjuntos de datos, se buscó minimizar los tiempos de alistamiento mediante una
secuenciación de trabajos que aproveche las diferencias en las características de cada pedido y mantenga bajo el peso
total de la secuencia. La Tabla 7 resume los resultados, mostrando el peso asociado a cada algoritmo de secuenciación
utilizado. Tabla 7. Resultados de los algoritmos de secuenciación.
Búsqueda Tabú
Recocido simulado
Búsqueda local guiada
Agosto 1 al 15
42
45
41
Agosto 16 al 31
44
45
43
Septiembre 1 al 15
46
49
49
Septiembre 17 al 29
49
49
49
Octubre 1 al 13
30
30
30
Octubre 16 al 31
46
46
46
Noviembre 2 al 15
47
47
47
Nov. 16 al 30
92
92
92
Total
396
403
397
A primera vista los resultados muestran diferencias entre los tres algoritmos de secuenciación, observándose que
la Búsqueda Tabú presenta un peso total más bajo (396). Para determinar si las diferencias entre los tres algoritmos
de secuenciación eran significativas se realizó un análisis de varianza (ANOVA). Los resultados mostraron que el
valor P era 0.99, lo cual es mucho mayor que el umbral de significancia de 0.05. Esto indica que no hay diferencias
estadísticamente significativas entre los algoritmos probados. Por lo tanto, los tres algoritmos presentan un
rendimiento similar en el contexto de este estudio.
En los primeros dos conjuntos de datos (agosto 1 al 31), la Búsqueda Local Guiada produjo pesos más bajos,
sugiriendo un buen rendimiento en esas instancias. A partir del cuarto conjunto de datos (octubre 1 al 13) hasta el
octavo (Noviembre 16 al 30), los resultados fueron idénticos para los tres algoritmos, lo cual facilitó la selección de
la secuencia óptima al elegir el peso más bajo entre los tres en cada período.
A partir de estos resultados, se procedió a reasignar los factores de montaje y recalcular los tiempos de
alistamiento para generar nuevos escenarios de optimización, denominados como sigue:
• Escenario 1: Situación actual del proceso
• Escenario 2: Después de usar los algoritmos de secuenciación
La comparación entre la variación de acuerdo a los factores de montaje para los escenarios 1 y 3 se muestra en
la Tabla 8, donde se observa que con los algoritmos de secuenciación se logró un aumento en los factores de montaje
1 (0 alistamiento) y 2 (alistamiento bajo porque las características de los pedidos son muy similares), pasando de 29
pedidos a 69 en el factor 1 y de 281 a 457 en el factor 2. Por consiguiente, los factores 3 y 4 disminuyeron, logrando
cumplir una de las prioridades del estudio al incrementar los factores 1 y 2.
Tabla 8. Variación de los factores entre montaje.
Escenario 1
Escenario 2
%
Factor entre
montajes
Cant.
Pedido
%
participación
Cant.
Pedidos
%
participación
1
29
4,8
69
11,3
137,9
Incremento
2
281
46,1
457
75
62,6
Incremento
3
207
34
73
12
64,7
Disminución
4
92
15,1
10
1,6
89,1
Disminución
Total general
609
100
609
100
13
Dueñas Guerra
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
Al analizar la secuenciación de trabajo propuesta con los algoritmos, se identifica como aumento los factores 1
y 2, que son buenas decisiones porque retiran pedidos de los factores 3 y 4. Además se encontró disminución de
pedidos con los factores 1 y 2 para pasar a los factores 2, 3 y 4 lo que técnicamente puede incrementar el alistamiento.
Se observó que los factores críticos del proceso de impresión y producción de cajas de cartón en la empresa
tomada como ejemplo son el tiempo de proceso y el factor de montaje, a partir de los cuales se planteó el desarrollo
de los algoritmos secuenciadores. En concordancia con lo observado en el presente estudio, Chen et al. (2020)
consideran que las áreas de fabricación de la empresa productora de envases de cartón deben realizar optimización en
diferentes procesos con la automatización de ciertos elementos del proceso productivo, con miras en adaptarse a las
exigencias propias del mercado. Por su parte Ávila-Eustaquio y De La Cruz-Centeno (2022) refieren que es
fundamental garantizar un flujo de materiales en función de la máquina considerada como restrictiva tomando en
cuenta la fecha de entrega de un pedido.
La implementación de algoritmos de secuenciación ha demostrado una mejora significativa en la reducción de
tiempos de alistamiento en una empresa cartonera, especialmente en el proceso de impresión. Ávila-Eustaquio y De
La Cruz-Centeno (2022) aplicaron un modelo lineal para la programación de operaciones en la fabricación de cajas
de cartón, maximizando la eficiencia en los cuellos de botella durante los procesos de impresión y troquelado.
Utilizaron heurísticas para programar las tareas hacia adelante o hacia atrás, según la capacidad productiva y la carga
de trabajo, obteniendo resultados satisfactorios que coinciden con los hallazgos de este estudio. De manera similar,
Mendoza et al. (2020) utilizaron un algoritmo de Kaufmann, un tipo de algoritmo de recorrido simulado, para
optimizar un proceso productivo. Aunque lograron demostrar su aplicabilidad, señalaron que este método y otros
similares tienen como inconveniente que solo proporcionan un óptimo local, el cual puede estar alejado del óptimo
global. Esto coincide con lo observado en el presente estudio, ya que aun cuando el algoritmo de recocido simulado
mostró cierta mejora, fue el de menor desempeño.
La efectividad de los algoritmos secuenciadores en la optimización de procesos y específicamente del recocido
simulado, también fue reportado por Pérez Domínguez et al. (2023) quienes destacaron su versatilidad, eficiencia y
facilidad de uso. Esto también fue destacado por Wilches Visbal y Martins Da Costa (2019) al desarrollar el algoritmo
de secuenciación en Matlab. De igual forma Mejía Viteri et al., (2022) demostraron que el algoritmo de recocido
simulado es aplicable a la optimización de los costos de los vehículos usados, y las variables asociadas con la distancia
recorrida por las rutas. De lo anterior se deduce que los resultados obtenidos son consistentes con los de otros
investigadores. Por su parte, el uso de algoritmo de búsqueda tabú, el cual fue el que mejor desempeño mostró en la
optimización de los procesos llevados a cabo en la impresora S Y S según los resultados obtenidos, también ha sido
investigado y corroborado por otros autores. Aguirre Morillo y Toapanta Barreiro (2021) al aplicar este algoritmo al
estudio de redes eléctricas, concluyeron que tiene un gran desempeño y que en él se pueden incluir todos los elementos
de un sistema real, permitiendo obtener soluciones de alta calidad.
Como se observó, el algoritmo de búsqueda tabú se puede utilizar para optimizar el desempeño del proceso
estudiado, lo que es concordante con otras investigaciones donde se ha implementado dicho modelo en diferentes
ámbitos. Chávez-Bosquez et al. (2015) aplicaron una variante del algoritmo para la optimización y generación de
horarios escolares concluyendo que es eficiente ya que se obtienen mejores resultados comparado con otras
alternativas. Este tipo de algoritmo secuencial también fue aplicado para la optimización de la selección del calibre de
conductores eléctricos por Montoya et al. (2018) quienes también coinciden en que se alcanzan soluciones de mejor
calidad al ser comparadas con las reportadas en la literatura especializada. Igualmente, Romero-Conrado et al. (2020)
demostraron que el algoritmo de búsqueda tabú es aplicable a la programación de horarios escolares, con soluciones
óptimas al ser comparadas con cálculos manuales. Aun cuando no se constató el uso de los algoritmos de secuenciación
para optimizar procesos en la industria cartonera por parte de otras investigaciones, se ha demostrado su utilidad en
otras industrias y áreas de investigación.
Conclusiones
La aplicación de los algoritmos de secuenciación requiere de un conocimiento muy específico en lenguaje de
programación y teoría en investigación de operaciones, pero sus resultados aseguran el manejo adecuado de los
recursos físicos y humanos disponibles. Como resultado se obtuvo un ahorro de 658,2 horas hombre respecto a la
situación inicial y de 1552 horas hombre después del uso de Lean Manufacturing en una sola máquina. Si se hubiera
14
Secuenciación de tareas con algoritmos lean en cartón
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
dado alcance con las otras 3 impresoras los resultados serían más impactantes, pero por falta de datos se planteó desde
el comienzo solo analizar una impresora.
La efectividad de los algoritmos secuenciadores en la optimización del proceso de impresión de la industria
cartonera, al igual que se observó para otras empresas, queda demostrada con la mejora de los tiempos de proceso y
la disminución de horas hombre de trabajo. Solo queda profundizar en su aplicación y compararlo con otras técnicas
como la simulación con softwares especializados como el Flexsim, el cual ha demostrado ser útil en diferentes
aplicaciones industriales.
Referencias Bibliográficas
Aguirre Morillo, G. J., & Toapanta Barreiro, E. G. (2021). Aplicación de algoritmos genéticos para la ubicación
óptima de condensadores en el alimentador primario de distribución tipo radial. Tesis de grado. Latacunga:
Universidad Técnica de Cotopaxi (UTC).
Alsheddy, A., Voudouris, C., Tsang, E. P. K., & Alhindi, A. (2018). Guided Local Search. In: Handbook of Heuristics.
Ed. Martí, R. Pardalos, P., Resende, M. Cham: Springer, 261-297.
Ávila-Eustaquio, M. N., De La Cruz-Centeno, M. I. (2022). Propuesta de mejora en el área de producción aplicando
programación lineal, MRP y distribución de planta para reducir costos operativos en una fábrica de cartón, Trujillo,
2020. Tesis de grado. Trujillo: Universidad Privada del Norte.
Cano Castillo, C. V., Escobar Torres, L. D. (2018). Caracterización teórica y su relación en la implementación de
herramientas Lean Manufacturing en procesos de manufactura. Tesis de grado. Bogotá: Universidad Distrital
Francisco José de Caldas.
Caro Dávila, N. X., Ponce de León Vargas, C. S. O. (2021). La relación de la innovación tecnológica y el desempeño
exportador de las empresas agroexportadoras peruanas del sector frutas frescas durante el periodo 2012-2020. Tesis
de grado. Lima: Universidad Peruana de Ciencias Aplicadas.
Chávez-Bósquez, O., Pozos-Parra, P., Gómez-Ramos, J. L. (2015). Búsqueda tabú con criterio de aspiración
probabilístico aplicada a la generación de horarios escolares. Revista de Matemática: Teoría y Aplicaciones, 22(1),
153–177.
Chen, S., Brahma, S., Mackay, J., Cao, C., Aliakbarian, B. (2020). The role of smart packaging system in food supply
chain. Journal of Food Science, 85(3), 517-525.
Davalos Román, E. J., Luna Usquiano, E. A., Miñan Olivos, G. S., Valderrama Puscan, M. W., Rivera Ramírez, Y.
V. (2023). Single Minute Exchange of Die (SMED) to improve productivity in the industrial sector. A systematic
review of the literature from 2012 to 2022. LACCEI, 1(8).
Egas-García, Bautista-Romero, M. A., Peralta-Fonseca, M. A. (2022). Optimización del proceso de producción de
maquinarias y equipos industriales. Ciencias de la Ingeniería y Aplicadas, 6(2), 76-85.
Guilmeau, T., Chouzenoux, E., Elvira, V. (2021). Simulated annealing: A review and a new scheme. 2021 IEEE
Statistical Signal Processing Workshop (SSP). Rio de Janeiro: IEEE, 101-105.
Hernández-Vázquez, J. O., Hernández-González, S., Jiménez-García, J. A., Hernández-Ripalda, M. D., Hernández-
Vázquez, J. I. (2019). Enfoque híbrido metaheurístico AG-RS para el problema de asignación del buffer que minimiza
el inventario en proceso en líneas de producción abiertas en serie. Revista Iberoamericana de Automática e
Informática industrial, 16(4), 447–458.
Jiménez-León, F. G. (2020). Administración de operaciones: análisis de las estrategias de operaciones en las empresas
como elemento clave para la competitividad. Polo del Conocimiento, 5(10), 551-559.
15
Dueñas Guerra
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
Malpartida Gutiérrez, J. N. (2020). Importancia del uso de las herramientas Lean Manufacturing en las operaciones
de la industria del plástico en Lima. Llamkasun, 1(2), 77–89.
Manzano Rodríguez, J. E., Ramos Alfonso, Y. (2023). Incremento de la productividad en Metrológica Instrumentes
S.A. mediante herramientas Lean Manufacturing. Ingeniería Industrial, 44(3), 147-162.
Martí, R., Martínez-Gavara, A., Glover, F. (2023). Tabu Search. In: Discrete Diversity and Dispersion Maximization.
Ed. Martí, R., Martínez-Gavara, A. Cham: Springer International Publishing, 137-149.
Mathiyazhagan, K., Gnanavelbabu, A., Naveen Kumar, N., Agarwal, V. (2022). A framework for implementing
sustainable lean manufacturing in the electrical and electronics component manufacturing industry: An emerging
economies country perspective. Journal of Cleaner Production, 334, 130169.
Mejía Viteri, J. T., Gonzales Valero, M. I., Fernández Torres, A. del R., Crespo Torres, N. M. (2022). Seguridad contra
ataques DDoS en los entornos SDN con Inteligencia Artificial. Magazine de las Ciencias: Revista de Investigación e
Innovación, 7(3), 105–127.
Mendoza A., C. A., Pérez, G. E., López, C. A. (2020). Estudio comparativo entre el algoritmo búsqueda de lobos y
otras metaheurísticas en el problema de una máquina con tiempos de alistamiento dependientes de la secuencia.
Ingeniería e Innovación, 8(1).
Mera Silva, A. O., Torres Tandazo, J. M., Conforme Montesdeoca, J. V. (2024). Aplicación de la logística inversa y
su incidencia en la disminución de desechos y desperdicios en el supermercado ubicado en la av. Jacinto Cortez
Jhayya, Santo Domingo 2023. Revista Social Fronteriza, 4(2), e42163.
Mehta, V. B., Dave, P. Y. (2020). Impact of 5S and lean manufacturing techniques in various organisations to enhance
the productivity. International Journal of Advances in Engineering and Management, 2(1), 421-436.
Montoya G., O. D., Grajales, A., & Hincapié I., R. A. (2018). Selección óptima de conductores en sistemas de
distribución empleando el algoritmo búsqueda tabú. Ingeniare. Revista Chilena de Ingeniería, 26(2), 283-295.
Ñaupari Huatuco, D. Z., Molina Rodríguez, Y. P., Vidal Suarez, K. W., Aquino Toccas, G. J. (2022). Reconfiguración
de sistemas de distribución con algoritmo de Búsqueda Tabú modificado. Tecnia, 32(1), 63-69.
Pardalos, P. M., Mavridou, T. D. (2024). Simulated annealing. In: Encyclopedia of Optimization. Ed. Floudas, C. A.,
Pardalos, P. M. 2nd ed. Cham: Springer International Publishing, 1-3.
Peña Guarín, G., Castro Rojas, M. L., Álvarez Álvarez, M. J. (2020). Modelo de gestión del conocimiento para pymes,
basado en el sistema de gestión de la calidad y la gestión documental. SIGNOS-Investigación en Sistemas de Gestión,
12(2), 127-147.
Pérez Domínguez, L., Martinez Gomez, E. A., Luviano Cruz, D., Ramírez-Ochoa, D. D., & Landeros-Martínez, L. L.
(2023). Algoritmo PSO con extensión de TOPSIS para la valoración deaceites esenciales. Instituto de Ingeniería y
Tecnología.
Ponce Telles, C. I., Gómez Romero, J. G. I. (2022). Estilos de liderazgo y aprendizaje organizacional: un estudio de
caso. Ibero-American Journal of Economics & Business Research, 2(1), 18–32.
Puertas Aragón, C. N., Lozada Rivera, D. E. (2024). Incremento de la productividad en una empresa ganadera láctea
de la región Arequipa, Perú, mediante la aplicación de lean manufacturing. Ingeniería Industrial, 35-58.
Quishpe, F. J. (2021). Análisis y optimización en la producción de envases de cartón, empleando el Value Stream
Mapping. Revista Universidad y Sociedad, 13(3), 536-542.
Rodríguez Cardo, I. A. (2022). Gestión laboral algorítmica y poder de dirección: ¿hacia una participación de los
trabajadores más intensa? Revista Jurídica de Asturias, (45).
16
Secuenciación de tareas con algoritmos lean en cartón
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
Romero-Conrado, A., Coronado-Hernández, J., Visbal-Acevedo, R. (2020). Aplicación de la Búsqueda Tabú en la
resolución del problema capacitado de lotificación en sistemas de producción multinivel: Un estado del arte. Boletín
de Innovación, Logística y Operaciones, 2(1), 1-6.
Salazar Otálora, G. E., Manrique Joya, G. M., Cuy Rojas, A. L. (2023). Capacidades logísticas como factores
determinantes para la internacionalización de las pymes: una revisión sistemática de literatura. Revista CEA, 9(19),
e2126.
Tan, J. S., Goh, S. L., Kendall, G., Sabar, N. R. (2021). A survey of the state-of-the-art of optimisation methodologies
in school timetabling problems. Expert Systems with Applications, 165, 113943.
Vargas Crisóstomo, E. L., Camero Jiménez, J. W. (2021). Aplicación del Lean Manufacturing (5s y Kaizen) para el
incremento de la productividad en el área de producción de adhesivos acuosos de una empresa manufacturera.
Industrial Data, 24(2), 249-271.
Veliz Camargo, V. M., & Maytan Huamanchao, R. G. (2024). Aplicación de modelo numérico para el control de flujo
de detritos en la quebrada Oyón, distrito de Villa Rica, provincia de Oxapampa, departamento de Pasco. Tesis de
grado. Lima: Universidad Peruana de Ciencias Aplicadas.
Wilches Visbal, J. H., Martins Da Costa, A. (2019). Algoritmo de recocido simulado generalizado para Matlab.
Ingeniería y Ciencia, 15(30), 117–140.
Editor Asociado: Alfredo Leal
Instituto Profesional IACC.
alfredojleal@gmail.com
Región Metropolitana, Chile
17
Dueñas Guerra
_____________________________________________________________________________________________
Rev. Téc. Ing. Univ. Zulia, 2025, Vol. 48, e254801
REVISTA TECNICA
DE LA
FACULTAD DE
INGENIERIA
UNIVERSIDAD
DEL ZULIA
Volumen 48. Año 2025, Edición continua
Esta revista fue editada en formato digital y
publicada en enero 2025, por el Fondo
Editorial Serbiluz, Universidad del Zulia.
Maracaibo-Venezuela
www.luz.edu.ve
www.serbi.luz.edu.ve
www.produccioncientificaluz.org