La transformación en curso de la industria hacia procesos de fabricación inteligentes y la digitalización completa está impulsada por tecnologías emergentes como la ciberseguridad, el internet de las cosas, Big Data y la computación en la nube, dando lugar a lo que comúnmente se conoce como Industria 4.0. En el sector de la construcción, la implantación de la tecnología ha dado lugar a la metodología Building Information Modeling (BIM), ofreciendo nuevas soluciones para todo el ciclo de vida del edificio. La adaptación de la enseñanza de la ingeniería a los requisitos de la Industria 4.0 y el BIM es crucial. Esta investigación propone ajustes para la enseñanza de la ingeniería en el contexto del BIM y la Industria 4.0. La propuesta se centra en el aprendizaje basado en el laboratorio e integra la teoría del aprendizaje experiencial de Kolb, metodologías de enseñanza y la iniciativa CDIO (Concebir - Diseñar - Implementar - Operar). La combinación de estos elementos permite mejorar el entorno de aprendizaje y el proceso de enseñanza-aprendizaje. Este enfoque hace hincapié en el aprendizaje a través de la experiencia, maximizando las competencias de los estudiantes. La investigación representa un paso inicial hacia una visión tangible de la enseñanza de la ingeniería adaptada a BIM y a la Industria 4.0.INTRODUCCIÓNLa enseñanza de la ingeniería está estrechamente relacionada con el desarrollo económico y social mundial 1. Esta conexión es la razón por la que se han llevado a cabo investigaciones para alinear la enseñanza de la ingeniería con las necesidades socioeconómicas de una región, indicando que un ingeniero requiere fuertes habilidades en relaciones humanas asociadas al conocimiento de la ingeniería contemporánea y las ciencias industriales 2-5. Además, el importante desafío de la enseñanza de la ingeniería para el acceso a experiencias prácticas en contextos reales 6,7. En América Latina, las prácticas pedagógicas de la educación superior deben transformarse para lograr un equilibrio entre las habilidades sociales, el conocimiento de la ciencia y la formación técnica.Por un lado el concepto de Building Information Modeling (BIM) se define según el Instituto Nacional de Ciencias de la Construcción (8, como el acto de crear un modelo electrónico de una instalación con el propósito de visualización, análisis energético, análisis de conflictos, clave de verificación de criterios, ingeniería de costos, obtención de productos de acuerdo a la ejecución real "as-built", presupuesto, y otros. Por otro lado, el concepto BIM se define como la representación digital de las características físicas y funcionales de una instalación. Además, sirve como fuente de conocimiento compartido para la información sobre la instalación, constituyendo una base fiable para la toma de decisiones a lo largo de todo su ciclo de vida, desde el inicio.

Los sistemas de bicicletas compartidas, que se utilizan en muchas ciudades de todo el mundo, necesitan mantener un equilibrio entre la disponibilidad de bicicletas y la disponibilidad de plazas desocupadas. Este artículo presenta una investigación del flujo neto de cada estación de bicicletas compartidas en Jersey City. Los datos se registraron a intervalos de 1 minuto. Se determinó que la suma del número inicial de bicicletas y el valor mínimo del flujo neto era la demanda de reequilibrio estático, lo que llevó a proponer un método de predicción de la demanda de bicicletas compartidas basado en modelos autorregresivos de medias móviles integradas. Teniendo en cuenta que la existencia de bicicletas en mal estado puede afectar negativamente a la predicción de la demanda y a la planificación rutinaria, presentamos una formulación de programación lineal entera para modelizar el reequilibrio estático del bike-sharing. La formulación propuesta tiene en cuenta el problema introducido por la necesidad de recoger las bicicletas que necesitan reparación. Se propuso un algoritmo híbrido de Optimización por Enjambre de Partículas Discreto (DPSO) para resolver el modelo, que incorpora una funcionalidad de búsqueda de vecindario variable reducida (RVNS) junto con DPSO para mejorar el rendimiento de la optimización global. La eficacia de los algoritmos se verificó mediante un ejemplo numérico detallado.