Los metamateriales mecánicos son materiales diseñados artificialmente con la finalidad de presentar un mejor desempeño gracias a los cambios en la estructura que los conforma y no en su composición química. En algunos casos este tipo de estructuras están basadas en la naturaleza, por ejemplo, el interior de los huesos, panales de abejas. Actualmente, gracias a los avances tecnológicos tanto en software y hardware ha facilitado el diseño y fabricación de estos materiales. La determinación de las propiedades de los metamateriales es realizada por medio de simulación por computadora, pruebas de estrés mecánico o ambos. Para la fabricación de estos metamateriales, en la mayoría de los casos se recurre a la manufactura aditiva. Recientemente, las investigaciones han mostrado interés en predecir el comportamiento mecánico de estos metamateriales usando diferentes técnicas entre las cuales destacan las redes neuronales.

La escasez de agua para consumo humano y la inadecuada gestión de aguas residuales se han intensificado a niveles críticos a nivel mundial. De acuerdo con el Programa Ambiental de las Naciones Unidas (UNEP), para el 2050 la demanda para consumo humano podría ser hasta 30% mayor en comparación de la actual. Así también, UNEP señala que, a nivel mundial, más del 80 % de las aguas residuales generadas por la sociedad sean vertidas al medio ambiente sin tratar (United Nations Environment Programme, 2018). Entre estas aguas residuales pueden encontrarse colorantes, fármacos, pesticidas y otros contaminantes orgánicos, que pueden permanecer en ríos, lagos y efluentes aún después de tratamientos convencionales. En este sentido, el desarrollo de métodos novedosos de manufactura, la nanotecnología y la biomimética, convergen para explorar tecnologías de remediación hídrica adaptables y eficientes. El objetivo de esta revisión es analizar el potencial de los dispositivos para la remoción de contaminantes en agua con columnas celulares bioinspiradas. La manufactura aditiva proporciona una plataforma de fabricación capaz de obtener formas complejas, por ejemplo, estructuras celulares con gradientes de tamaño, ideales para la creación de columnas con diseños bioinspirados. En el caso de la nanotecnología, partículas como el dióxido de titanio aportan actividad fotocatalítica a estas estructuras. La biomimética aporta el diseño desde la inspiración de la naturaleza, donde se pueden encontrar mecanismos que, adaptados al entorno, resultan en soluciones a problemas de ingeniería. De esta manera, la integración de estas tres áreas del conocimiento resulta en soluciones como filtros para remoción de contaminantes. En estos sistemas, el diseño bioinspirado modifica la distribución del flujo, el tiempo de residencia y la interacción del contaminante con la superficie fotocatalítica.

Image-based AI offers a low-cost alternative to traditional turbidity sensors in farm ponds, yet the prevailing shift toward Vision Transformers (ViTs) critically overlooks two field realities: the chronic scarcity of annotated data (Small Data) and the strict computational limits of edge hardware. This study presents a frugal computer vision framework that challenges the need for complex architectures in environmental screening. By systematically benchmarking six deep learning models across a calibrated high-turbidity dataset (200–800 NTU, 700 images) under standardized capture conditions, we demonstrate that traditional Convolutional Neural Networks (CNNs) possess a crucial inductive bias for this task. Specifically, ResNet-50 significantly outperformed modern ViTs in both accuracy (96.3% vs. 80.0%) and data efficiency, effectively capturing spatial scattering patterns without the massive data requirements that hindered transformer convergence. Deployed on a resource-constrained Raspberry Pi 4, the CNN-based system achieved an inference latency of 46 ms, demonstrated in an initial hardware-in-the-loop field proof-of-concept (82.4% agreement under baseline, calm-weather conditions, $n=17$). This edge-native approach not only provides actionable spatial turbidity maps to guide on-farm filtration and livestock management decisions but also establishes a critical architectural baseline: under controlled capture protocols, mature CNNs consistently outperform ViTs, establishing them as the optimal architecture for frugal, small-data agricultural Internet of Things (IoT) deployments.