Por Oliver Franz.

Dispone de un número limitado de prototipos, tiempo de validación limitado, acceso limitado al laboratorio y recursos de ingeniería limitados. Cada experimento debe generar información valiosa que impulse el diseño.

En la ingeniería de producto, se busca un equilibrio entre resistencia, peso, durabilidad, rendimiento térmico, tolerancias, objetivos de costo y facilidad de fabricación. Pequeñas variaciones en los parámetros pueden tener repercusiones en todos los requisitos de rendimiento.

La cuestión no es si la experimentación importa, sino si el diseño de experimentos (DOE) está estructurado para revelar efectos de interacción, comportamiento no lineal y rutas de optimización significativas antes de comprometerse con una nueva compilación.

Minitab DOE de Effex, ahora parte de Minitab, se centra en fortalecer las etapas de diseño, modelado y optimización del DOE para que los equipos de ingeniería puedan generar conclusiones sólidas con menos iteraciones.

Aquí presentamos tres consideraciones prácticas para los equipos de ingeniería de producto.

1. La resolución experimental determina si se observan interacciones.

En los sistemas de productos complejos, los efectos principales rara vez explican la historia completa.

Por ejemplo, el espesor de la pared interactúa con la selección del material, la geometría con la exposición a la temperatura y las condiciones de carga con las tolerancias de ensamblaje, lo cual no se puede revelar de manera confiable mediante pruebas que analizan un factor a la vez.

El diseño de experimentos (DOE) moderno de Effex permite evaluar diseños candidatos basándose en las correlaciones entre los efectos antes de realizar un solo ensayo. De esta forma, se obtiene una visión clara de lo que se puede estimar antes de llevar a cabo el experimento.

También incluye diseños OMARS (Superficie de Respuesta Ortogonal con Mínimo Alias), que facilitan tanto la selección como la optimización en un solo experimento. Para los equipos que gestionan prototipos costosos o largos ciclos de pruebas ambientales, mejorar la eficiencia del diseño reduce los ciclos de iteración.

Si el diseño carece de estructura, es posible que completes una matriz de pruebas completa y aún así no tengas una comprensión clara de la relación causa-efecto.

2. La optimización de ingeniería es multiobjetivo por defecto.

Pocas decisiones sobre un producto giran en torno a una única respuesta.

Mejorar la rigidez puede aumentar la masa. Reducir el coste puede afectar a la vida útil por fatiga. Ajustar la geometría puede influir tanto en la facilidad de fabricación como en los márgenes de rendimiento.

El diseño moderno de experimentos debe reflejar esa realidad.

Minitab DOE de Effex integra el análisis de vulnerabilidades, el modelado de regresión, la metodología de superficies de respuesta y la optimización multirrespuesta en un flujo de trabajo unificado. Los ingenieros pueden explorar perfiles de predicción, gráficos de contorno y superficies de respuesta para comprender visualmente las ventajas y desventajas de cada opción.

En lugar de optimizar una métrica a la vez, puede definir rangos de rendimiento aceptables y evaluar combinaciones que maximicen la probabilidad de alcanzar todos los objetivos.

Ese cambio —de la optimización aislada a la optimización a nivel de sistema— es donde el diseño de experimentos se convierte en una herramienta de ingeniería estratégica en lugar de un ejercicio estadístico.

3. La trazabilidad facilita las revisiones y la validación del diseño.

Las decisiones de ingeniería deben resistir un análisis minucioso.

Cuando cambian los parámetros, las partes interesadas quieren saber por qué. ¿Se basó en datos? ¿Se tuvieron en cuenta las interacciones? ¿Se verificó la adecuación del modelo?

Minitab DOE de Effex proporciona documentación estructurada de la configuración de factores, el ajuste de modelos y los resultados de optimización en un entorno compartido. En lugar de depender de hojas de cálculo aisladas, los equipos pueden centralizar las suposiciones y conclusiones experimentales.

Cuando en las revisiones de diseño se pregunte por qué se modificó una tolerancia o una especificación de material, se puede hacer referencia a un modelo DOE definido en lugar de a resultados de pruebas anecdóticos.

El Diseño de Experimentos no opera de forma aislada; influye en las decisiones de ingeniería, fabricación y operación de todo el sistema.

¿Cuándo deberían los equipos de ingeniería reevaluar su enfoque de diseño de experimentos (DOE)?

Si tu equipo es:

• Repetimos las compilaciones porque las pruebas iniciales no fueron concluyentes
• Efectos de interacción faltantes
• Dificultades para equilibrar los múltiples requisitos de rendimiento
• Ciclos de desarrollo prolongados debido a rutas de optimización poco claras

…quizás sea el momento de reforzar tu enfoque en el diseño de experimentos.

El software del Diseño de Experimentos (DOE) debería hacer algo más que generar una matriz de ejecución. Debería ayudar a los ingenieros a diseñar experimentos eficientes, modelar sistemas complejos y optimizar el rendimiento con rigor estadístico.

Minitab DOE de Effex se desarrolló teniendo en cuenta esas realidades y ahora opera dentro del ecosistema más amplio de Minitab, brindando soporte a los ingenieros de producto que necesitan respuestas más claras antes de la construcción del próximo prototipo.

Resolvedores de vanguardia para ecuaciones de recurrencia lineal: Nuevos algoritmos resuelven aún más problemas de ecuaciones de recurrencia lineal, más rápido, en informática, matemáticas puras y aplicadas, economía, biología, procesado digital de señales y muchos otros campos.

Maple 2026 amplía significativamente su capacidad para resolver relaciones de recurrencia lineal. Ahora, Maple puede resolver completamente más del 94% de las 55979 entradas de la Enciclopedia en Línea de Secuencias de Enteros (OEIS: Online Encyclopedia of Integer Sequences) que satisfacen una relación de recurrencia lineal.

La OEIS es una base de datos de investigación ampliamente utilizada sobre secuencias de enteros que surgen en combinatoria, teoría de números, funciones especiales y matemáticas aplicadas. Alcanzar este nivel de cobertura representa un gran avance en la resolución simbólica de recurrencias.

Estos avances reflejan una investigación sostenida y de vanguardia en ecuaciones en diferencias lineales y su implementación algorítmica en Maple. Mediante importantes extensiones del paquete LREtools y mejoras sustanciales en rsolve, Maple ahora resuelve nuevas y amplias clases de recurrencias homogéneas e inhomogéneas, incluyendo muchos casos de segundo, tercer y cuarto orden que antes estaban fuera de su alcance.

La capacidad de resolución de recurrencias de Maple ahora abarca una clase de recurrencias lineales sustancialmente más amplia que otros sistemas disponibles. Si bien algunos sistemas pueden resolver casos aislados de tercer o cuarto orden, Maple proporciona una cobertura sistemática de recurrencias de orden superior a un nivel que no está disponible en ningún otro lugar.

¡La Conferencia COMSOL ofrece la oportunidad de presentar su trabajo de modelado y simulación multifísica ante una audiencia en vivo!

Envíe un resumen para compartir su uso de COMSOL Multiphysics® en la Conferencia COMSOL 2026 en Cambridge a través de una de estas tres oportunidades de presentación:

1. Presentar un póster en directo durante el evento.
2. Presentar una presentación de diapositivas en directo durante el evento (plazas limitadas).
3. Envíe un artículo para su publicación en las actas de la conferencia en línea.

¿Qué presentará en la conferencia? Haz clic en el enlace inferior para obtener más información sobre el evento

Innovación terapéutica en detalle

Yuviwel (navepegritide)

Loargys (pegzilarginase-nbln)

Bysanti (milsaperidone)

Adquey (difamilast)

El papel de Signals ChemDraw en este contexto

• La representación precisa de estructuras químicas
• La documentación científica estandarizada
• La colaboración eficiente entre equipos de I+D
• La integración en entornos digitales de investigación

Por Caitlin Pagano.

Durante todo el mes de marzo, hemos celebrado a las mujeres en ciencia, tecnología, ingeniería y matemáticas (CTIM/STEM) que han transformado nuestra forma de pensar, construir y resolver problemas hoy en día. De las historias que compartimos destaca un tema: algunos de los trabajos más importantes se realizan discretamente, entre bastidores.

Esta historia podría ser el ejemplo más claro de ello.

Porque cada vez que abres una aplicación de mapas, rastreas un paquete o pides un servicio de transporte compartido, te basas en décadas de precisión matemática en las que la mayoría de la gente nunca piensa.

En el centro de esa precisión se encuentra la Dra. Gladys West.

Antes de que el GPS fuera una herramienta, era un problema matemático.

Pensamos en el GPS como satélites que orbitan la Tierra. Pero antes de eso, los científicos tuvieron que responder a una pregunta más difícil:

¿Dónde nos encontramos exactamente en la Tierra?

El problema radica en que la Tierra no es una esfera perfecta. Es irregular y está influenciada por la gravedad y el relieve. Incluso pequeños errores de cálculo podrían desviar su posición por kilómetros.

Esto no era solo un problema de física. Era un problema de datos.

Hoy en día, este es el tipo de desafío que los equipos resuelven con herramientas como Minitab : modelar sistemas complejos, trabajar con datos imperfectos y lograr una precisión que se mantenga en el mundo real.

Pero en la década de 1950, eso significaba construir esos modelos desde cero.

West creció en la zona rural de Virginia, donde veía la educación como su camino hacia el futuro. Sobresalió en matemáticas, se graduó con honores y obtuvo una beca universitaria.

En una época en la que pocas mujeres, y aún menos mujeres negras, eran alentadas a estudiar matemáticas, ella las eligió de todos modos.

Esa decisión moldearía silenciosamente el futuro de la navegación.

En 1956, West se unió a la Marina de los Estados Unidos como matemático, trabajando en el análisis de datos satelitales.

Su trabajo se centró en uno de los desafíos más complejos de la ciencia geoespacial: modelar la verdadera forma de la Tierra.

Utilizando datos satelitales y cálculos avanzados, ayudó a desarrollar representaciones muy precisas de la superficie terrestre, teniendo en cuenta las variaciones e irregularidades gravitacionales.

Este trabajo sentó las bases del GPS moderno.

Por qué esta historia sigue siendo importante

El trabajo de Gladys West es un poderoso ejemplo de lo que sucede cuando los datos se modelan correctamente.

Transformó datos complejos e imperfectos en información útil y fiable.

Ese mismo problema persiste en todos los sectores hoy en día. En la industria manufacturera, los datos inexactos provocan defectos. En el sector sanitario, afectan a los resultados. En las cadenas de suministro, generan retrasos.

La diferencia radica en la eficacia con la que se comprenden y analizan los datos.

Aquí es donde Minitab juega un papel importante.

Minitab ayuda a las organizaciones a hacer lo que West hizo a nivel fundamental:

• Transformar datos brutos en modelos precisos
• Comprender la variación y su impacto
• Toma decisiones con confianza

Las herramientas han evolucionado, pero el desafío no.

Clausurado el Mes de la Historia de la Mujer

Ya concluído el Mes de la Historia de la Mujer, historias como la de la Dra. Gladys West nos recuerdan que la innovación no siempre es visible, pero siempre es fundamental.

Y a menudo, los avances más importantes son aquellos que utilizamos a diario sin darnos cuenta de quién los hizo posibles.

Las terapias de succión localizada provocan deformaciones en la piel y los tejidos subyacentes. Un equipo de la Universidad de Massachusetts Lowell, utilizó COMSOL Multiphysics^® para analizar cómo la deformación del tejido varía en función de la presión de succión, el tamaño de la apertura del aplicador y el grosor de la grasa subcutánea [1].

Tipo de modelo utilizado

El equipo implementando un modelo 2D axisimétrico en COMSOL Multiphysics^®, basado en mecánica de sólidos. Cada capa del tejido se modeló con una función de densidad de energía de deformación (strain energy density) diferente: la piel con un modelo polinomial, la grasa con la formulación de Mooney–Rivlin, y el músculo con la formulación de Ogden. Se consideraron espesores de piel (2 mm), músculo (10 mm) y grasa variable según mediciones de ultrasonido de participantes reales, con aperturas de 50, 30 y 16 mm.

Módulos de COMSOL Multiphysics empleados

Se utilizaron dos módulos principales:

• Structural Mechanics Module (Mecánica Estructural): núcleo del modelo, resolviendo la ecuación de balance de momento con tensores de Green–Lagrange y Piola–Kirchhoff para capturar el comportamiento no lineal de los tejidos blandos.
• Optimization Module (Módulo de Optimización): empleado para estimar las propiedades de la piel y la grasa minimizando la desviación entre las deformaciones experimentales y las del modelo, permitiendo capturar el comportamiento no lineal presión-desplazamiento.

Resultados principales

Los resultados de la simulación mostraron que la deformación del tejido aumentaba con la presión de succión, estando su magnitud y distribución influenciadas por el tamaño de la apertura y el espesor de grasa (Figura 1). Como era de esperar, la simulación mostró una mayor deformación tanto para presiones de succión más altas como para aperturas de mayor tamaño, mientras que las aperturas más pequeñas incrementaban la participación de las capas superficiales de la piel.

Figura 1. Desplazamiento de la piel y la grasa a 27091.109 pascales (Pa) obtenida en las simulaciones con COMSOL Multiphysics® para un participante con un espesor de grasa de 4,0 mm, cuando se utilizaron tamaños de apertura de 50 mm (a), 30 mm (b) y 16 mm (c).

Conclusión

Este trabajo, galardonado con el premio Best Paper en la COMSOL Conference 2025 Boston, demuestra el valor de la simulación computacional para optimizar el diseño de dispositivos médicos de succión, destacando la importancia de considerar tanto la geometría del aplicador como la variabilidad anatómica de cada paciente.

Referencias

[1] E. Etim et al. “Impact of Pressure and Fat Thickness on Tissue Biomechanics During Large Suction Deformation”. COMSOL Conference 2025 Boston. https://www.comsol.com/paper/impact-of-pressure-and-fat-thickness-on-tissue-biomechanics-during-large-suction-deformation-145102

Más matemáticas, matemáticas más rápidas: Experimente la funcionalidad ampliada del núcleo, mejoras requeridas por los usuarios y mucho más

Con Maple 2026 puede resolver aún más problemas matemáticos, más rápido. Esta versión ofrece nuevos algoritmos de última generación que encuentra soluciones a nuevos tipos de problemas y mejora las rutinas principales que utilizan habitualmente tanto los clientes como otras rutinas de Maple.

Además de las mejoras matemáticas descritas en detalle en otras secciones, aquí le presentamos algunos aspectos destacados:

• La funcionaliad "assume" que incluye los comandos assume, is y coulditbe sustentan la inferencia lógica en la simplificación, la resolución de ecuaciones, la comprobación de propiedades y numerosos algoritmos internos. Maple 2026 incorpora mejoras sustanciales en su robustez, corrección y alcance de razonamiento.
• Las mejoras introducidas para simplificar (simplify) amplían su capacidad de introducir formas más compactas y matemáticamente más naturales en expresiones trigonométricas, logarítmicas y radicales.
• Las mejoras en combine refuerzan su capacidad para devolver formas más compactas y matemáticamente naturales, especialmente en expresiones que involucran funciones trigonométricas inversas y logaritmos.
• Numerosas mejoras en dsolve, pdsolve, odetest y rutinas relacionadas mejoran la robustez, la corrección y la compacidad de las soluciones devueltas en una variedad de ecuaciones diferenciales ordinarias y parciales.
• El paquete SumTools incluye nuevas funciones de acceso para trabajar con sumas no evaluadas e inertes.
• El comando fsolve ahora acepta la opción maxinit para permitirle controlar la cantidad de puntos iniciales que se intentarán usar con el resolvedorde Newton para problemas multivariables, y el valor predeterminado se ha aumentado para incrementar la probabilidad de encontrar soluciones sin necesidad de ajustes manuales.

CALRoads View es un paquete de modelado de dispersión atmosférica que se utiliza para predecir los impactos en la calidad del aire cerca de las carreteras, tanto de vehículos en movimiento como detenidos. La aplicación integra tres modelos de dispersión: CALINE4, CAL3QHC y CAL3QHCR. El diseño original de estos modelos solo consideraba las emisiones de material particulado (PM), monóxido de carbono (CO) o dióxido de nitrógeno (NO2), sin contemplar otros gases inertes.

Esta restricción es un subproducto del código del modelo, que utiliza valores fijos de peso molecular para CO y NO2 para imprimir concentraciones de salida en partes por millón (ppm) en lugar de los microgramos por metro cúbico (µg/m³) más comunes. Para calcular el volumen correcto, el modelo utiliza el peso molecular fijo para convertir las cantidades calculadas con la siguiente ecuación:

Donde: PM = peso molecular [g/mol] y la concentración se expresa en µg/m³.

Para ampliar las capacidades de los modelos más allá de estos contaminantes originales, CALRoads View incluye un tipo de contaminante personalizado de gases inertes (Inert Gases) con una definición de peso molecular especificada por el usuario. Para utilizar esta función, siga los pasos que se indican a continuación.

1. Abra la ventana de opciones de trabajo (Job Options).
   
2. Las opciones para cambiar se encuentran en la pestaña Job Options de la ventana Options. Primero, cambie el tipo de contaminante (Pollutant Type) a Inert Gases.
3. El campo de entrada Molecular Weight en el grupo Job Parameters pasará de un valor fijo a un campo de texto para que el usuario lo introduzca. El ejemplo siguiente utiliza el valor 64, que representa el SO2 como tipo de contaminante.
   
4. Ejecutar el modelo.

El modelo ahora mostrará valores en ppm que reflejan el peso molecular correcto de los contaminantes alternativos.

Esta misma opción también permite informar las concentraciones de gas inerte en microgramos por metro cúbico en lugar de partes por millón. Al establecer el peso molecular en 0,02445, las concentraciones modeladas conservan sus valores originales. Los usuarios de CALRoads View pueden entonces editar el etiquetado de sus gráficos de contorno para mostrar las nuevas unidades de µg/m³.

Tras ejecutar el modelo con esa selección, vaya a Graphical Options y seleccione la configuración Contours | Color Ramp. Cambie la Label Unit a µg/m3 para reflejar las nuevas unidades de datos.

Tenga en cuenta que el archivo de salida del modelo seguirá indicando que los resultados están en ppm, así que tenga cuidado al revisar la salida de texto.

Por David Peralta

La Eficiencia Global de Equipos (OEE, por sus siglas en inglés ) es una de las métricas más utilizadas en la fabricación. Mide cuánto tiempo de producción planificado es realmente productivo y ayuda a detectar pérdidas relacionadas con tiempos de inactividad, ciclos lentos y mala calidad.

¿Qué es la OEE y cómo se calcula?

Para la mayoría de los fabricantes, el desafío no reside en la métrica en sí, sino en la calidad de los datos que la respaldan.

Según un reciente seminario web de Minitab, solo el diecisiete por ciento de los asistentes encuestados miden automáticamente la utilización de las máquinas y el tiempo de inactividad desde los sistemas conectados a las máquinas.

El treinta por ciento de los asistentes encuestados afirma no tener confianza en sus métricas de utilización/tiempo de inactividad. ¿Por qué? Porque la OEE (Eficiencia Global de los Equipos) solo es tan fiable como los datos utilizados para calcularla. Si no se recopilan datos directamente de las máquinas, es difícil que toda la organización confíe en ellos.

Josh Davids, Director de Operaciones de Minitab DataXchange, compartió en el seminario web de Minitab, cómo los fabricantes pueden ir más allá del seguimiento manual y los sistemas desconectados para lograr una OEE fiable y en tiempo real utilizando datos de la máquina.

Estas son las principales conclusiones:

El desafío de la OEE

La mayoría de los desafíos relacionados con la OEE no son matemáticos, sino operativos.

La mayoría de los equipos recopilan datos manualmente, lo que introduce inconsistencias causadas por errores humanos.

La visibilidad limitada en tiempo real provoca retrasos en las alertas y en la toma de decisiones, lo que dificulta actuar con rapidez.

Las razones de los tiempos de inactividad suelen definirse de forma diferente para cada máquina. Esto provoca que el seguimiento de la OEE sea inconsistente.

Estos desafíos convierten los paneles de control en ruido de fondo en lugar de proporcionar información útil para la toma de decisiones.

La base de una OEE (Eficiencia Global de los Equipos) fiable reside en la recopilación automatizada de datos en tiempo real, combinada con reglas claras que se ajusten exactamente al funcionamiento de su entorno de fabricación.

Automatización de la recopilación de datos en la planta de producción

Un OEE fiable comienza con la captura de datos precisos de la máquina. Minitab DataXchange se conecta directamente a los equipos mediante protocolos estándar como OPC UA, MTConnect y Modbus TCP, así como integraciones comunes con sistemas de control CNC. Para equipos más antiguos o heredados, los módulos de hardware y los sensores ofrecen una alternativa práctica.

El objetivo es sencillo: determinar automáticamente si una máquina está en funcionamiento, en tiempo de inactividad programado o en tiempo de inactividad no programado. Esto reduce la dependencia del seguimiento manual y crea una base de referencia consistente para su disponibilidad.

La flexibilidad entre máquinas es fundamental.

Dos talleres pueden operar máquinas idénticas y definir el tiempo de inactividad de manera diferente. Dependiendo del taller, las respuestas a las siguientes preguntas podrían ser distintas:

• ¿Cuándo finaliza oficialmente la instalación?
• ¿Se considera tiempo de inactividad un cambio automático de herramienta breve?
• ¿Debería considerarse la comprobación de una pieza como producción o como configuración?

No existe una respuesta correcta universal. Lo que más importa es la coherencia entre la lógica del sistema y la realidad operativa.

DataXchange permite configurar reglas de recopilación de datos y definir códigos de tiempo de inactividad, de modo que el sistema refleja con precisión la forma de trabajar de su equipo. Esta flexibilidad contribuye a garantizar la exactitud.

Dale voz a tus operadores.

La automatización no elimina la necesidad de intervención humana. En entornos con alta variedad de productos y bajo volumen de producción, la información proporcionada por el operador es fundamental. La interfaz de datos del operador permite a los miembros del equipo registrar motivos específicos de tiempo de inactividad que no se pueden obtener automáticamente de la maquinaria.

La interfaz funciona en tabletas, ordenadores o dispositivos móviles y puede ubicarse directamente en la máquina o compartirse entre diferentes centros de trabajo.

Esto transforma el sistema de monitorización de su máquina, pasando de ser un sistema de monitorización pasiva a un sistema de comunicación proactiva.

Paneles de control para diferentes niveles de su organización

Los distintos roles requieren distintos niveles de detalle. Los paneles de control de DataXchange son configurables para admitir:

• Vistas de utilización a nivel de turno para operadores
• Gráficos de tendencias hora por hora para supervisores
• Informes trimestrales de alto nivel entregados a los ejecutivos.

Los paneles de control se actualizan en tiempo real y pueden rotar en las pantallas de la tienda. Los correos electrónicos programados envían informes directamente a las bandejas de entrada, lo que garantiza que las partes interesadas reciban información relevante sin aumentar su carga de trabajo.

El resultado es una mayor visibilidad y una respuesta más rápida a los problemas.

Alertas que impulsan la acción

En entornos sin iluminación o desatendidos, las notificaciones se activan por eventos. Cuando una máquina se detiene, un supervisor puede recibir una alerta de inmediato.

En entornos gestionados por operadores, las notificaciones suelen centrarse en la ausencia de eventos. Por ejemplo, si una máquina ha estado inactiva durante demasiado tiempo sin una razón documentada, el sistema puede solicitar al operador que especifique el motivo.

Este enfoque proactivo acorta los tiempos de respuesta y reduce las pérdidas de producción.

Mejoras en la comunicación

El valor va más allá de las métricas fiables sobre la productividad de su planta de producción; también proviene de la comunicación que esas métricas fiables facilitan en toda su organización.

Cuando los datos de las máquinas fluyen automáticamente, los operadores pueden añadir contexto, los paneles de control son visibles en toda la instalación y la dirección tiene acceso a métricas fiables, la organización comienza a comunicarse con una única fuente de información fidedigna.

Ese cambio cultural conlleva una resolución de problemas más rápida, una mayor rendición de cuentas y decisiones mejor fundamentadas en toda la organización.

La solución de fabricación de Minitab

Con la incorporación de la monitorización de máquinas en tiempo real gracias a la recopilación de datos de inspección y producción, Minitab cierra la brecha entre producción y calidad.

La información sobre la utilización de la maquinaria en la fase de producción y los tiempos de inactividad complementa la recopilación automatizada de datos de medición. Con el tiempo, una mayor integración entre estos sistemas ayudará a los fabricantes a pasar de un análisis reactivo a operaciones más ágiles y basadas en datos.

Si alguna vez ha pasado mucho tiempo haciendo clic manualmente para seleccionar entidades geométricas en un modelo cada vez que desea asignar un material o condiciones de contorno, este post es para Vd. Las “Explicit Selections” ofrecen una herramienta clave para crear un modelo estructurado en COMSOL Multiphysics^®.

¿Qué es una "Explicit Selection"?

Una selección explícita es un "contenedor" de entidades geométricas (dominios, superficies, bordes o puntos/vértices) que definimos con un nombre específico. Su función principal es actuar como un puente entre la geometría y la física o la selección de materiales. Por ejemplo, en lugar de asignar condiciones de contorno a la "Cara 45", las asignas a la selección "Entrada de Fluido".

La Gran Duda: ¿realizar la selección explícita en el nodo Geometry o Definitions? La Figura de la cabecera muestra cómo llevar a cabo estas selecciones en COMSOL Multiphysics® mediante los nodos de “Definitions” y “Geometry”.

1. Selecciones en el Nodo de Geometría (El Enfoque "Input"). Estas se crean mientras se construye la geometría. Son ideales cuando se sabe exactamente qué objetos se están creando. Son robustas frente a cambios paramétricos. Si se define una selección explícita para un bloque y luego cambia su tamaño mediante un parámetro, COMSOL mantiene la "identidad" de ese bloque.

2. Selecciones en el Nodo de Definitions (El Enfoque "Global"). Estas se crean después de que la geometría está finalizada (tras el "Form Union/Assembly").

Además de realizar las selecciones de forma explícita, como se observa en la Figura de la cabecera, que muestra la Geometría del reactor en COMSOL Multiphysics, es posible aplicar operaciones de tipo booleano, o aplicar selecciones utilizando auxiliares geométricos (bloques, esferas, etc.) que, en ocasiones, pueden ser útiles para llevar a cabo las selecciones.

¿Por qué se debería dejar de seleccionar manualmente?

• Reducción de Errores: Al asignar nombres claros como Hot_Wall o Inlet_Condition, se evita el error humano de olvidar una pequeña cara oculta en un ensamblaje complejo.
• Automatización: Si decide cambiar la topología de su modelo (por ejemplo, pasar de un cilindro a un prisma), si ha configurado bien sus selecciones, la física se actualizará automáticamente.
• Orden en la Física: Su árbol de modelo se vuelve más legible y organizado. Cualquiera podrá entender qué parte del diseño está cumpliendo cada función física simplemente leyendo los nombres de las selecciones.

Un posible flujo de trabajo puede ser, a modo de ejemplo, el siguiente:

• En “Geometry”: Selecciona los 10 tornillos de una pieza.
• En “Definitions”: Crea una Union Selection llamada "Tornillería" que agrupe esas 10 selecciones previas.
• En “Materials” o “Physics”: Asigna un material o una condición de contorno (por ejemplo, una carga mecánica) simplemente eligiendo "Tornillería".

Conclusión

Las selecciones explícitas no son solo una cuestión de orden; son una inversión en la estabilidad de su simulación. Un modelo que utiliza selecciones es un modelo que sobrevive a los cambios de diseño.

Importe sus documentos en Maple: convierta sus PDF, apuntes impresos, notas manuscritas y otros documentos en los documentos de Maple, donde las ecuaciones y fórmulas matemáticas están "vivas" y listas para ser utilizadas.

Con Maple 2026 podrá importar fácilmente sus notas manuscritas, diapositivas, artículos técnicos y otros documentos con contenido matemático. La nueva función de importación de documentos utiliza inteligencia artificial para transformar sus documentos estáticos en documentos de Maple, donde las matemáticas se convierten en expresiones dinámicas listas para que empiece a explorarlas.

Al importar un documento, su contenido se interpreta y reconstruye dentro de Maple.

• El texto y las tablas se convierten en contenido editable de Maple
• Las expresiones matemáticas se convierten en expresiones matemáticas "vivas" de Maple en tiempo real, que pueden evaluarse, modificarse, ampliarse y hacerse interactivas.
• Los gráficos y otros elementos visuales se conservan como imágenes.

Esta funcionalidad admite una amplia gama de formatos, incluidos PDF, DOCX, EPUB, PPTX, ODT, y varios tipos de documentos, tanto de libros electrónicos como heredados.

Ya está disponible para su descarga una nueva actualización (Update 2) que incluye mejoras en la plataforma de simulación COMSOL Multiphysics^® y en toda la suite de productos. Para disfrutar de una experiencia de modelado óptima, descargue hoy mismo la actualización 2 para COMSOL Multiphysics versión 6.4.

La forma más sencilla de instalar la actualización es iniciar el programa y seleccionar «Buscar actualizaciones del producto». En Windows^®, esta opción se encuentra en el menú Archivo, dentro de Ayuda. En Linux^® y macOS, se encuentra en el menú Ayuda. La actualización solo es compatible con la versión 6.4.

Todos los productos software de COMSOL^® se han sometido a mejoras de estabilidad que se han introducido como actualizaciones. La siguiente lista contiene las mejoras más importantes en COMSOL^® versión 6.4 update 2 (y update 1):

COMSOL Multiphysics

• Resolvedores y aceleración por GPU
  
  • Con la actualización 1 de la versión 6.4, el kit de herramientas NVIDIA CUDA^® se ha actualizado a la versión 12.9.1 para permitir el máximo rendimiento en las GPU NVIDIA Blackwell^®, lo que proporciona un rendimiento de GPU significativamente mejorado para el entrenamiento de modelos sustitutos de DNN en la plataforma COMSOL Multiphysics^® y para simulaciones acústicas explícitas en el tiempo utilizando el módulo de acústica.¹
  • Al utilizar el resolvedor directo de matrices dispersas NVIDIA CUDA^® (NVIDIA cuDSS), se ha mejorado el rendimiento en las partes de la factorización matricial que se basan en la CPU.¹
  • Se ha añadido compatibilidad con NVIDIA cuDSS al ejecutarse en clústeres, incluso para los estudios Cluster Computing y Cluster Sweep².
  • Cuando se ejecuta en un ordenador con varias tarjetas gráficas y al menos una GPU NVIDIA, se selecciona una GPU NVIDIA para la renderización.¹
  • Se solucionó un problema que podía impedir que COMSOL Desktop^® se iniciara en Windows^® cuando se instalaba una versión incompatible de una biblioteca OpenMP en el directorio System32 de Windows.¹
  • Se ha mejorado la escalabilidad del clúster.¹
  • Se han corregido los problemas de rendimiento del resolvedor que surgían en algunos casos cuando la función "Plot while solving" estaba habilitada y había un nodo de parámetros de resultados presente.¹
  • Se ha modificado el formato de almacenamiento para los cambios en la configuración predeterminada de las funciones del resolvedor. Los cambios registrados en versiones anteriores no se pueden revertir mediante la función Undo Changes. Las propiedades modificadas previamente permanecen listadas con valores predeterminados desconocidos en las tablas de la sección Changes from Default Settings.¹
  • La secuencia del resolvedor ahora muestra el formato de almacenamiento que se utilizará al ejecutarse en un clúster.¹
  • En todos los tipos de estudio que utilizan el resolvedor de valores propios, los puntos de linealización controlados por la física ahora usan Automatic (all solutions) cuando el punto de linealización es una solución almacenada.²
  • Se solucionó un problema por el cual los barridos paramétricos con instancias de partes podían quedarse sin memoria para una gran cantidad de valores de parámetros².
• La ventana de Chatbot
  
  • La API de OpenAI Responses se utiliza ahora cuando la ventana del chatbot está configurada para OpenAI™ o Azure® OpenAI™.¹
  • Se ha actualizado el backend del proveedor de chatbot de OpenAI¹
  • Se ha resuelto un problema al usar Gemini™ 3 Pro Preview con el proveedor compatible con la API de OpenAI¹.
  • Las opciones de modelo GPT-5 Low y GPT-5 High para OpenAI y proveedores compatibles ahora utilizan la versión GPT-5.4. Los usuarios que prefieran versiones anteriores de GPT-5 pueden seleccionar la opción de modelo personalizado y especificar la configuración adicional.¹
• Funciones y operadores
  
  • Se ha solucionado un problema de trazado para las funciones analíticas que utilizan propiedades de material cuando el modelo contiene un enlace de material¹
  • La función de interpolación ya no mostrará el mensaje de error "No complex data allowed" cuando una columna de datos ignorada contenga números complejos.¹
  • Para el operador de expresiones, la detección de dependencias circulares es ahora más robusta.¹
• Modelos de orden reducido
  
  • Si se selecciona un modelo reducido (ROM) para reconstruir las variables dependientes de una interfaz física y se borran los datos del modelo reducido, se conserva la selección del ROM.¹
  • Ahora es posible exportar la solución particular desde ROMs.¹
  • En el nodo resolvedor Modal Reduction, especificar manualmente una lista vacía de pares propios ahora no implica el uso de ningún par propio. Del mismo modo, en los nodos resolvedores de Modal Reduction y POD Reduction, especificar manualmente una lista vacía de modos de restricción ahora no implica el uso de ningún modo de restricción.¹
  • La longitud de columna de la matriz de proyección ahora es igual al número de grados de libertad no reducidos.¹
• Resultados y visualización
  
  • La evaluación de bordes en conjuntos de datos de conchas en 3D ahora es más rápida.¹
  • Ahora, con LaTeX habilitado, se admiten automáticamente caracteres que no son ASCII en las anotaciones de gráficos.¹
  • Se ha añadido compatibilidad con Unicode en las sugerencias de herramientas para gráficos 1D¹
  • Se ha solucionado un problema con encabezados repetidos en la exportación de datos de gráficos con múltiples expresiones¹
  • En cuanto a las funciones de resultados, las actualizaciones tras generar, actualizar o eliminar soluciones ahora son más rápidas.¹
• Después de usar la función Historial Compacto , ya no se crean entradas de historial innecesarias para las exportaciones de imágenes.¹
• Se ha añadido una opción para ordenar los resultados de la búsqueda de documentación por relevancia.¹
• Los valores iniciales de las variables dependientes globales ahora se establecen por defecto en cero si no se configuran.¹
• El generador de mallas con predominio de elementos cuadriláteros se ha ajustado para evitar la generación de elementos cuadriláteros excesivamente anisotrópicos en mallas con transiciones rápidas en el tamaño de los elementos.¹
• Se redujo el tiempo de guardado de modelos con un gran número de nodos de árbol de modelo²
• La operación de barrido para el mallado ahora es más rápida para geometrías con muchos dominios que tienen una dirección de extrusión común, como suele ser el caso de los modelos ECAD.²
• Estabilidad y rendimiento mejorados para gráficos de líneas de flujo²
• Se ha solucionado un problema que podía provocar un fallo al renderizar en algunas tarjetas gráficas²
• Mejoras de rendimiento¹
• Mejoras de estabilidad^1,2
• Mejoras en ciberseguridad:
  
  • Se eliminó el módulo de extracción de Apache Solr SolrCell (Apache Tika) para abordar la vulnerabilidad reportada en CVE-2025-66516²
  • Se actualizó Apache Log4j a la versión 2.25.3 para abordar la vulnerabilidad reportada en CVE-2025-68161²
  • Se actualizó Apache Tomcat a la versión 9.0.115²

Application Builder

• La compilación del código del editor de métodos ahora es más rápida.¹
• Se ha solucionado un problema que a veces provocaba tamaños de ventana iniciales incorrectos en aplicaciones que utilizaban subventanas.¹
• Se solucionó un problema por el cual era necesario hacer clic dos veces en las casillas de verificación de las tablas en los cuadros de diálogo al cambiar la selección de la tabla²
• Mejoras de estabilidad^1,2

Model Manager y gestión de archivos

• Se ha mejorado la visualización de atributos con etiquetas largas en el menú Filtros.¹
• Al guardar modelos en archivos o bases de datos con datos construidos, calculados y graficados excluidos, los datos de la tabla binaria ya no se eliminan en los casos en que las tablas:¹
  
  • Contiene datos importados de archivos
  • Son utilizadas por las funciones
  • Son utilizados por las parcelas

Model Manager Server

• Ahora, la configuración de una base de datos del servidor Model Manager añadida a COMSOL Desktop^® cuando se ejecuta en modo cliente-servidor se conserva entre diferentes sesiones del servidor COMSOL Multiphysics^®. Esta configuración también está disponible para otros procesos de COMSOL que se ejecutan en el mismo servidor, por ejemplo, los procesos por lotes de COMSOL iniciados mientras se está conectado al servidor.¹

AC/DC Module

• Mejoras de estabilidad^1,2

Acoustics Module

• Para la interfaz Pressure Acoustics, Time Explicit, se ha mejorado el resolvedor subyacente y el manejo de datos de la formulación acelerada para configuraciones con múltiples GPU y en clústeres. Esto mejora el rendimiento general de la simulación. ¹
• La función Datos CFD (CGNS) ahora admite tipos de elementos NGON_n y NFACE_n.¹ Se corrigió la expresión para una variable de resultados para evaluar la energía térmica disipada asociada con la condición de impedancia de capa límite termoviscosa¹
• Mejoras de estabilidad¹

Battery Design Module

• Mejoras de estabilidad^1,2

CAD Import Module

• Se ha añadido soporte para la importación de archivos ACIS^® 2026 1.0 y SOLIDWORKS^® 2026¹
• Mejoras de estabilidad¹

CFD Module

• La función de datos CFD (CGNS) ahora admite tipos de elementos NGON_n y NFACE_n.¹
• Las casillas de verificación "Use dynamic subgrid time scale" y "Limit small time steps effect on stabilization time scale" ahora afectan a las variables de turbulencia en el modelo de tensión de Navier-Stokes promediado de Reynolds (RANS-RSM):¹
  
  • Al activar las casillas de verificación (por separado o en conjunto), se modifica la formulación de los términos de estabilización consistentes de los componentes de la ecuación del tensor de esfuerzos de Reynolds y la ecuación de tasa de disipación turbulenta o disipación específica. De este modo, la estabilidad de las ecuaciones de turbulencia de un RSM no se pierde en pasos de tiempo pequeños. Esta actualización puede ser crucial en casos donde el flujo está acompañado de procesos rápidos y estables, lo que genera pasos de tiempo muy pequeños, o al iniciar estudios dependientes del tiempo, que también pueden resultar en pasos de tiempo muy pequeños durante las iteraciones iniciales.
• Una corrección de la curvatura de rotación en los modelos RANS basados en k ahora permite combinar dominios giratorios con dominios estacionarios en estudios de Frozen Rotor.¹
• Mejoras de estabilidad²

Chemical Reaction Engineering Module

• Ahora hay disponible una plantilla de resultados de distribución de densidad de volumen para la interfaz Size-Based Population Balance.¹
• Mejoras de estabilidad^1,2

Composite Materials Module

• Mejoras de estabilidad¹

Corrosion Module

• Mejoras de estabilidad¹

ECAD Import Module

• Mejoras de estabilidad¹

Electrochemistry Module

• Mejoras de estabilidad.²

Fatigue Module

• Mejoras de estabilidad¹

File Import for CATIA^® V5

• Se ha añadido soporte a la importación de archivos CATIA^® V5 2026¹

Fuel Cell & Electrolyzer Module

• Mejoras de estabilidad¹

Granular Flow Module

• Mejoras de estabilidad¹

Heat Transfer Module

• Cuando la interfaz principal de las funciones Radiation Shield, Upside y Radiation Shield, Downside participa en cualquier acoplamiento multifísico de transferencia de calor con radiación de superficie a superficie, estas funciones solo se pueden aplicar a los límites externos de la interfaz de transferencia de calor asociada. Además, si esa interfaz de transferencia de calor también participa en cualquier acoplamiento multifísico Thermal Connection, Layered Shell, Surfaces o acoplamiento multifísico Thermal Connection, Nonlayered Shell con el tipo Connection establecido a Shared boundaries o Facing boundaries, las funcionalidades Radiation Shield, Upside y Radiation Shield, Downside no se pueden aplicar a los límites seleccionados por esos acoplamientos multifísicos.²
• Mejoras de estabilidad^1,2

LiveLink™ for Excel^®

• Mejoras de estabilidad¹

LiveLink™ for MATLAB^®

• Mejoras de estabilidad¹

LiveLink™ for Simulink^®

• Se ha reemplazado un archivo dañado que provocaba que los bloques de la biblioteca no se mostraran correctamente en el Explorador de bibliotecas de Simulink®.¹

LiveLink™ for Revit^®

• Mejoras de estabilidad¹

LiveLink™ for SOLIDWORKS^®

• LiveLink™ for SOLIDWORKS^® es compatible con SOLIDWORKS^® 2026 a partir de la versión de COMSOL Multiphysics^® versión 6.4 (compilación 6.4.0.293). Este soporte se aplica a la actualización 1 de la versión 6.4 (compilación 6.4.0.343) y actualización 2 (build 6.4.0.378).¹

LiveLink™ for Solid Edge^®

• Añadido soporte para sincronizar montajes que incluyan piezas de chapa metálica guardadas como archivos psm.²

MEMS Module

• Mejoras de estabilidad^1,2

Metal Processing Module

• Mejoras de estabilidad¹

Mixer Module

• Mejoras de estabilidad¹

Optimization Module

• Arreglado un problema que impedía el uso del tiempo final basado en condiciones con los pasos de estudio de optimización de forma y topología.¹
• Mejoras de estabilidad^1,2

Particle Tracing Module

• Mejoras de estabilidad¹

Pipe Flow Module

• Mejoras de estabilidad¹

Plasma Module

• Mejoras de estabilidad^1,2

Polymer Flow Module

• Mejoras de estabilidad²

Porous Media Flow Module

• Mejoras de estabilidad¹

Ray Optics Module

• Mejoras de estabilidad¹

RF Module

• Mejoras de estabilidad^1,2

Rotordynamics Module

• Mejoras de estabilidad¹

Semiconductor Module

• Se ha corregido un error en la formulación de volumen finito de la función de acoplamiento semiconductor-electrostática.¹
• La función de acoplamiento semiconductor-electrostático ahora proporciona un soporte mejorado para estudios de perturbación en el dominio de la frecuencia¹

Structural Mechanics Module

• Se solucionó un problema con el método Flanagan-Belytschko para la estabilización de deformación en forma de reloj de arena cuando se seleccionaba la casilla de verificación Compute boundary fluxes en la configuración de Discretization para la interfaz Solid Mechanics, Explicit Dynamics.¹
• Se solucionó un problema con la función Boundary Load en la interfaz Solid Mechanics, Explicit Dynamics que impedía el uso de la opción de tipo de carga Resultante².
• Las fuerzas y los momentos generados por los resortes y amortiguadores en el nodo Spring Foundation, dentro de las interfaces estructurales Rigid Connector y Rigid Material, ya están disponibles en el sistema de coordenadas global. Utilice las variables fsx, fsy, fsz y msx, msy, msz para representar gráficamente sus componentes respectivas. Utilice fslx1, fslx2, fslx3 y mslx1, mslx2, msxl3 para el sistema de coordenadas local.².
• Se corrigió un error en las definiciones de las variables de velocidad y aceleración locales en la interfaz Beam para el caso cuasiestático².
• Se corrigió un error que podía provocar variables indefinidas al utilizar un componente CMS reducido en estudios geométricamente no lineales².
• Se ha actualizado la definición de la región conectada en los acoplamientos multifísicos de conexión de estructura sólida-delgada y de conexión de estructura de capa estratificada para evitar restricciones excesivas².
• Mejoras de estabilidad^1,2

Uncertainty Quantification Module

• Mejoras de estabilidad^1,2

Wave Optics Module

• Mejoras de estabilidad^1,2

¹ Nuevo en update 1 (build 6.4.0.343, publicada el 29 de enero de 2026)

² Nuevo en update 2 (build 6.4.0.378, publicada el 19 de marzo de 2026)

Apache, Apache Solr, Apache Tomcat, Apache Tika, Log4j y Tomcat son marcas comerciales registradas o marcas comerciales de la Apache Software Foundation. Autodesk, el logotipo de Autodesk y Revit son marcas comerciales registradas o marcas comerciales de Autodesk, Inc., y/o sus subsidiarias y/o afiliadas en los EE. UU. y/o en otros países. Gemini es una marca comercial de Google LLC. Linux es una marca comercial registrada de Linus Torvalds en los EE. UU. y otros países. macOS es una marca comercial de Apple Inc., registrada en los EE. UU. y otros países. MATLAB y Simulink son marcas comerciales registradas de The MathWorks, Inc. Microsoft, Azure, Excel y Windows son marcas comerciales del grupo de empresas Microsoft. NVIDIA y CUDA son marcas comerciales y/o marcas comerciales registradas de NVIDIA Corporation en los EE. UU. y/o en otros países. OpenAI es una marca comercial de OpenAI, Inc. Solid Edge es una marca comercial o marca comercial registrada de Siemens Industry Software Inc., o sus subsidiarias o afiliadas, en los Estados Unidos y en otros países. SOLIDWORKS es una marca registrada de Dassault Systèmes SolidWorks Corp.

Por Peter Goos.

Una conversación con el profesor Peter Goos La adquisición de Effex por parte de Minitab (ahora Minitab DOE by Effex) incorpora capacidades avanzadas de diseño experimental a un ecosistema analítico más amplio, lo que facilita a las organizaciones el diseño de experimentos más inteligentes, la reducción de costes y la aceleración de la innovación. Para explorar qué significa esto en la práctica, hablamos con el profesor Peter Goos, cofundador de Effex y un experto destacado en diseño estadístico y análisis de experimentos. En esta conversación, explica los fundamentos del Diseño de Experimentos (DOE), por qué sigue estando infrautilizado y cómo los enfoques modernos están cambiando la manera en que las organizaciones abordan la experimentación.

Dentro de la experimentación moderna: del ensayo y error al diseño más inteligente.

¿Cómo describiría el Diseño de Experimentos a quienes no lo conocen?

El Diseño de Experimentos (DOE) es un enfoque sistemático para determinar cómo los factores de entrada influyen en los factores de salida. A menudo, al estudiar un sistema, se busca comprender qué sucede al modificar o ajustar una entrada específica. El DOE proporciona un método estructurado para examinar el impacto de todas las entradas, o "botones", del sistema. En esencia, el DOE ayuda a estudiar el efecto de todas las entradas en las salidas del sistema.

¿Podría dar un ejemplo práctico para que sea más comprensible?

Si quieres hornear pan, debes considerar varios factores. ¿Cuánta harina usarás? ¿Cuánta agua? ¿A qué temperatura lo hornearás? Modificar la temperatura, la cantidad de harina o de agua influirá en el sabor, la consistencia y el volumen del pan. El diseño de experimentos (DOE) ofrece un enfoque sistemático para relacionar los diferentes niveles de estos factores con el sabor, la consistencia y el volumen. Esta relación se materializa en un modelo estadístico que puede predecir el resultado para cualquier combinación de factores que elijas.

¿Cómo terminó especializándose en estadística, particularmente en Diseño de Experimentos?

En resumen, diría que fue una coincidencia. Estudiaba ingeniería empresarial y, durante mis estudios, solo tuve un breve contacto con el Diseño de Experimentos en un curso de Gestión de Calidad. En ese momento, el DOE no me atrajo de inmediato, pero más tarde, durante mi doctorado, la profesora que me contrató, la Prof. Martina Vandebroek, estaba muy interesada en el DOE. Ella me impulsó en esa dirección y pronto me apasionó el campo, especialmente después de trabajar con un consultor en aplicaciones prácticas y colaborar con varias empresas del sector automotriz. También aprecié el aspecto de optimización, que fue mi primera pasión. Originalmente, quería hacer un doctorado en optimización. Además, las aplicaciones prácticas y el impacto en las empresas eran gratificantes. Ver su satisfacción al obtener buenos resultados me motivó a continuar en este campo.

¿Cuál es el problema más interesante que has resuelto utilizando el Diseño de Experimentos?

Uno de los ejemplos más interesantes y recientes es cuando ayudamos a Kellogg's a mejorar la receta de sus patatas fritas Pringles. Con el paso de los años, los costos de producción habían aumentado y el contenido de grasa también era algo elevado. Kellogg's quería desarrollar una nueva receta que redujera tanto el contenido de grasa como los costes de producción. Realizaron un experimento a gran escala, probando varios ingredientes nuevos. Utilizando el Diseño de Experimentos, analizamos y modelamos los datos, y luego realizamos una optimización basada en el modelo estadístico. Como resultado, lograron reducir significativamente tanto el contenido de grasa como el coste de producción. Fue uno de los casos más impresionantes y gratificantes en los que hemos trabajado recientemente.

Analicemos el Diseño de Experimentos (DOE). ¿Cómo se compara con otros métodos? Por ejemplo, ¿por qué Kellogg's eligió el DOE en lugar de simplemente hornear patatas fritas y verificar los resultados?

Muchos ingenieros prefieren el enfoque clásico de "un factor a la vez", pero Kellogg's necesitaba usar el Diseño de Experimentos. Aumentar la cantidad de un ingrediente inevitablemente requería reducir la cantidad de otro, por lo que el método tradicional de "un factor a la vez" era inviable. En Kellogg's, cambiar una entrada afectaba a las demás, por lo que debían considerar todas las entradas simultáneamente. Esta característica clave distingue al Diseño de Experimentos del enfoque de "un factor a la vez". Puede parecer contraintuitivo, ya que si se cambian varios factores a la vez y se observa un efecto, ya sea positivo, negativo, beneficioso o perjudicial, no se sabe de inmediato qué entrada lo causó. Ahí es donde entra en juego la estadística. La técnica estadística de regresión lineal múltiple ayuda a desentrañar los efectos de todas las entradas. El único requisito es cambiar varias entradas simultáneamente, de acuerdo con un DOE bien diseñado. Una vez recopilados los datos, el análisis de regresión lineal múltiple identifica la contribución específica de cada variable de entrada.

¿Cuándo debería alguien considerar el uso del Diseño de Experimentos (DOE)? Por ejemplo, si yo fuera científico o ingeniero, ¿cuándo diría usted: «Ahora es el momento de usar DOE»? ¿Podría dar un ejemplo? Lo he pensado mucho. Cuando se tienen dos o más entradas, se debería considerar el Diseño de Experimentos. Con una sola entrada, el método de ensayo y error puede funcionar, pero en cuanto intervienen dos factores, el conocimiento del tema por sí solo a menudo no es suficiente. Cuando dos entradas interactúan, las cosas se complican. Llamamos efecto de interacción al impacto conjunto de dos entradas, distinto de la suma de sus efectos individuales. La interacción puede ser sinérgica o antagónica. A menudo, es difícil evaluarla o predecirla solo con el conocimiento del tema. En tales casos, se necesita un enfoque empírico para probar múltiples entradas simultáneamente y cuantificar cualquier efecto de interacción. Ahí es donde entra en juego el DOE. Proporciona una forma eficiente de identificar interacciones importantes entre múltiples entradas. En lugar de cambiar variables sin cesar, el DOE ayuda a gestionar el proceso de forma eficaz siempre que se tengan dos o más factores.

Entonces, ¿está diciendo que usar el Diseño de Experimentos también es más rentable?

Sin duda. Mucha gente todavía cree que el Diseño de Experimentos es ineficiente porque piensa que implica probar todas las combinaciones posibles de entradas. Pero eso no es cierto. El Diseño de Experimentos moderno, del siglo XXI, ya no se trata de probar todas las combinaciones posibles. Todo lo contrario: se trata de seleccionar estratégicamente qué combinaciones probar, teniendo en cuenta el presupuesto, incluso si es limitado.

¿Qué importancia tienen las estadísticas y, por extensión, el Diseño de Experimentos (DOE) en el proceso de innovación?

Durante este proceso, existe mucha incertidumbre, ya que se conoce poco sobre el nuevo producto o proceso y se dispone de datos limitados. Para tomar decisiones basadas en datos, es necesario recopilar la información adecuada. Aquí es donde el DOE destaca. Es altamente eficaz para obtener datos de alta calidad de forma económica, incluso bajo presión de tiempo o en entornos costosos. En situaciones de incertidumbre, los experimentos pequeños pero potentes son clave, y el DOE proporciona las herramientas para ejecutarlos de manera eficiente. Un análisis estadístico adecuado permite distinguir las señales del ruido, específicamente, los efectos reales de las entradas sobre la salida frente a la inevitable variación aleatoria de los datos.

¿Por qué el Diseño de Experimentos (DOE) sigue siendo relativamente desconocido hoy en día? ¿Y por qué no recibe más atención en las universidades?

Existen varias razones para ello. En primer lugar, el DOE no se enseña lo suficiente en las universidades. Incluso cuando se enseña, los estudiantes a menudo carecen de la experiencia práctica necesaria para apreciar su valor. El DOE se comprende mejor entre quienes han experimentado las limitaciones de depender únicamente del conocimiento especializado y entienden la necesidad de una recopilación sistemática de datos.

En las empresas, ¿quién debería conocer el Diseño de Experimentos (DOE)?

Cualquier persona en ingeniería, I+D o producción enfocada en la mejora continua debería conocer el DOE. También es importante que la gerencia, incluyendo a los ejecutivos de alto nivel, tenga conocimientos sobre el DOE para que puedan reconocer su potencial de optimización e innovación.

¿Cuál diría usted que es una de las mayores tendencias o evoluciones en el diseño de experimentos (DOE)?

La mayor evolución es el auge del diseño óptimo de experimentos (DOE), que permite adaptar los experimentos a limitaciones específicas como el presupuesto, la viabilidad y el tiempo. Esto hace que el DOE sea mucho más flexible y rentable que los enfoques anteriores.

¿Cree que aún hay margen para la evolución? ¿Cómo ve el futuro del DOE?

Un cambio importante es pasar de un proceso de experimentación en dos etapas a un experimento único y más eficiente. Nuevos enfoques como los diseños de cribado definitivo (DSD) y los diseños OMARS combinan el cribado y la optimización en uno solo, lo que permite a las empresas avanzar más rápido e innovar con mayor eficiencia.

Con el auge de la IA, ¿sigue siendo necesario el diseño de experimentos (DOE)?

Siempre será necesario. La IA puede ayudar a analizar datos históricos y sugerir caminos a seguir, pero al explorar nuevas combinaciones donde no existen datos, la experimentación es fundamental. El DOE y la IA deben trabajar juntos.

¿Por qué es necesario un nuevo software DOE como Effex?

Es fundamental que los diseños experimentales avanzados y rentables sean ampliamente accesibles. Effex proporciona acceso a diseños de vanguardia como OMARS y utiliza una plataforma en la nube para mejorar continuamente la calidad de los experimentos disponibles para los usuarios.

¿Qué consejos daría a las organizaciones que han tenido experiencias negativas con el diseño de experimentos (DOE)?

Los fallos no suelen deberse al método en sí, sino a su aplicación. Elegir los insumos adecuados y contar con la experiencia necesaria en la materia es fundamental. Sin ello, cualquier enfoque, no solo el DOE, puede fracasar.

¿Cuáles son los conocimientos mínimos necesarios para empezar a usar el diseño de experimentos (DOE)?

Dos cosas son esenciales: comprender la regresión lineal múltiple y contar con el software adecuado para diseñar y explorar experimentos de manera efectiva.

¿Qué industrias están subutilizando el diseño experimental (DOE) en la actualidad?

Las empresas alimentarias, en particular, podrían beneficiarse más del DOE, pero a menudo se enfrentan a dificultades debido a la variabilidad de los materiales biológicos, lo que hace que la experimentación sea más compleja.

¿Es realmente la inacción el mayor competidor del Diseño de Experimentos (DOE)?

En muchos casos, sí. Algunas organizaciones se conforman con los procesos actuales, pero este enfoque no es sostenible a largo plazo. Para seguir siendo competitivas, las empresas deberán innovar, y el DOE desempeña un papel fundamental en ello.

¿Cuál es la forma más convincente de persuadir a los líderes para que adopten el DOE?

Los estudios de caso y las historias de éxito reales son los más efectivos. Ver resultados tangibles ayuda a demostrar claramente su valor.

¿Hacia dónde se dirige la experimentación? El diseño de experimentos no es solo una técnica estadística. Es una forma práctica y escalable de tomar mejores decisiones en sistemas complejos. Ahora que Minitab y Effex están combinados, las organizaciones tienen acceso a capacidades de diseño experimental más avanzadas, incluidos enfoques modernos como los diseños OMARS, dentro de un entorno analítico conectado. Si busca reducir costes, acelerar el desarrollo o tomar decisiones con mayor seguridad, el equipo de Minitab está aquí para ayudarle a aplicar estos métodos en su propio trabajo.

Si Vd. es cliente de versione antiguas de SigmaPlot, dado que Microsoft finalizó oficialmente el soporte para Windows 10 el 15 de octubre de 2025, debe saber que las versiones anteriores de SigmaPlot, diseñadas para sistemas operativos Windows anteriores, ya no cuentan con soporte oficial.

Aviso importante:

Desde esa fecha, no hemos podido brindar asistencia técnica confiable ni actualizaciones de seguridad para las versiones de SigmaPlot anteriores a la v16. Si bien puede continuar utilizando su versión actual, tenga en cuenta que esto podría exponer su sistema a posibles vulnerabilidades de seguridad.

Para garantizar que su análisis de datos continúe sin interrupciones, le recomendamos actualizar a SigmaPlot v16, la única versión totalmente certificada y probada para funcionar sin problemas en Windows 11, el sistema operativo que Microsoft seguirá soportando.

Contacte con nosotros si desea actualizar su versión.

El estudio, recientemente publicado por Abuto y sus colaboradores [1] en la revista “Biomass and Bioenergy” de la editorial “Elsevier”, investiga la producción de biohidrógeno a partir de hidrocarburos residuales en yacimientos petrolíferos agotados utilizando bacterias inmovilizadas y modelizado con COMSOL Multiphysics^®.

COMSOL Multiphysics® se utilizó para crear un dominio tridimensional axisimétrico que acopló múltiples interfaces físicas para simular la producción de biohidrógeno en medios porosos. La Figura 1 muestra la geometría del reactor.

Figura 1. Geometría del reactor en COMSOL Multiphysics®.

Interfaces físicas clave

• Transporte de especies diluidas: modeló la difusión del sustrato mediante ecuaciones de difusión-reacción.
• Ecuación en forma de coeficiente (PDE): implementó la cinética de crecimiento microbiano y la acumulación de biomasa.
• Transferencia de calor en medios porosos: capturó los efectos térmicos y la generación bioquímica de calor.

Formulación del modelo

El modelo comenzó con la conservación de masa mediante ecuaciones de continuidad, asumiendo un flujo convectivo despreciable en reservorios agotados. El transporte de sustrato se modelizó con ecuaciones de difusión-reacción con difusividad efectiva ajustada por la porosidad y la tortuosidad. La cinética microbiana utilizó ecuaciones tipo Monod modificadas para efectos de temperatura, presión y salinidad 7. Los factores de estrés ambiental se incorporaron mediante correcciones de temperatura tipo Arrhenius y funciones de inhibición.

Flujo de implementación

El proceso implicó la creación de la geometría con un reservorio poroso cilíndrico y perlas esféricas de inmovilización como subdominios distintos (Figura 1). Variables definidas por el usuario permitieron introducir correcciones ambientales, mientras que el seguimiento de la producción acumulada de hidrógeno se realizó mediante ecuaciones diferenciales ordinarias globales (ODE).

Figura 2. Geometría del reactor en COMSOL Multiphysics®.

Como se muestra en la Figura 2, la concentración máxima de hidrógeno obtenida fue de 7,45 mmol L⁻¹, coincidiendo con el máximo experimental de 7,63 mmol L⁻¹ a las 120 h.

Una muestra más del gran potencial de COMSOL Multiphysics® para el estudio de nuevas técnicas para la producción de hidrógeno.

Referencias

[1] D. Abutu et al. Modelling biohydrogen production from residual hydrocarbons by immobilized bacteria using COMSOL multiphysics, Biomass and Bioenergy, Volume 211, 2026, 109165.