Por Stacey McDaniel.

La fábrica del futuro no es un concepto exclusivo de las conferencias tecnológicas. Ya está tomando forma en las plantas de producción de todo el mundo. Los fabricantes se ven presionados a mejorar la calidad, acelerar la producción, gestionar la volatilidad de la cadena de suministro y compensar la escasez de mano de obra. El denominador común de estos esfuerzos es la analítica.

Los datos cuentan una historia clara:

• El 86% de los fabricantes cree que el uso eficaz de los datos será esencial para la competitividad en 2030.¹
• El 72% cita la escasez de mano de obra como un factor importante para la adopción de análisis.²
• El 69% de los ejecutivos están aumentando la inversión en análisis e inteligencia artificial para fortalecer la resiliencia de la cadena de suministro.³
• El 64% de los fabricantes que ya invierten en fabricación inteligente reportan una mayor rentabilidad.⁴

La implicación es directa. Para triunfar en 2026 y en adelante, los fabricantes deben usar la analítica para mejorar la calidad, optimizar los flujos de trabajo y proteger los márgenes en cada etapa de la producción. Los sistemas centrales pueden ser difíciles de reemplazar, pero la forma en que las organizaciones utilizan los datos dentro de esos sistemas siempre puede evolucionar.

Cómo Minitab puede sentar las bases

Diseñado específicamente para entornos de fabricación, Minitab ayuda a las organizaciones a mejorar la calidad, agilizar las operaciones y diseñar mejores productos. Y lo que es más importante, habilita el ecosistema conectado, predictivo y en constante mejora que define la fábrica del futuro.

Construyendo una fábrica de máquinas conectadas

Las fábricas modernas generan enormes volúmenes de datos provenientes de equipos, sensores, operadores y sistemas de calidad. El reto no es la recopilación de datos, sino convertir los datos sin procesar en información procesable.

Minitab permite a los fabricantes recopilar datos directamente desde el taller y varias bases de datos, realizar análisis para obtener información importante sobre lo que sucede en la línea y permitir una toma de decisiones confiable en tiempo real.

El resultado no es sólo visibilidad, sino control.

Optimización de procesos basada en datos

La estabilidad del proceso es fundamental en la fábrica del futuro. La variación genera desperdicios, desechos, reprocesos e insatisfacción del cliente. Las capacidades de análisis estadístico de Minitab identifican patrones de variación que a menudo son invisibles al ojo humano.

Mediante herramientas como el análisis de regresión, el análisis de capacidad y el modelado avanzado, los fabricantes pueden identificar las causas raíz de los defectos, optimizar los parámetros del proceso y mejorar el rendimiento. La mejora continua se convierte en una práctica disciplinada y basada en datos, en lugar de un ejercicio reactivo.

Control estadístico de calidad a escala empresarial

La fabricación inteligente requiere monitorización en tiempo real y la detección temprana de cambios en los procesos. Minitab facilita el control estadístico de procesos en toda la empresa con gráficos de control automatizados, alertas y monitoreo sistemático en todas las líneas y plantas.

Al integrar el control estadístico de procesos (SPC) en las operaciones diarias, los fabricantes reducen el riesgo de fallos de calidad a gran escala. Los operadores e ingenieros pueden detectar con antelación variaciones por causas especiales, intervenir con rapidez y mantener un rendimiento constante. Este nivel de control proactivo es esencial en entornos complejos y de alto volumen.

Visión predictiva y mantenimiento basado en la condición

La fábrica del futuro no espera los fracasos. Los anticipa.

Las capacidades de modelado predictivo de Minitab, que incluyen análisis de confiabilidad y técnicas de aprendizaje automático, permiten a los equipos pronosticar resultados clave y el comportamiento de los equipos. Al aplicar estrategias de mantenimiento predictivo y basado en la condición, los fabricantes pueden minimizar las paradas no planificadas, reducir los costos de servicio y prolongar la vida útil de los activos.

No se trata de promesas abstractas de IA. Se trata de modelos estadísticamente rigurosos que los ingenieros comprenden, validan y en los que confían.

Experimentación estructurada e innovación más rápida

Las fábricas preparadas para el futuro también deben innovar con mayor rapidez. El diseño de experimentos permite a los equipos probar múltiples factores simultáneamente, optimizar los procesos con menos ensayos y reducir el coste y el tiempo asociados a la experimentación.

Las capacidades de DOE de Minitab proporcionan un marco estructurado para mejorar los procesos existentes y desarrollar nuevos productos. Los ingenieros pueden simular escenarios de producción, evaluar las compensaciones y probar los cambios en los procesos antes de su implementación. Esto reduce el riesgo y acelera el tiempo de comercialización.

Optimización de la cadena de suministro y del inventario

La analítica en la fábrica del futuro va más allá de la línea de producción. Al mejorar la visibilidad del inventario e integrar los datos de la cadena de suministro, los fabricantes pueden mejorar la precisión y la resiliencia de la planificación.

Minitab facilita la comprensión interdisciplinaria, conectando la producción, la calidad y el rendimiento de la cadena de suministro. Los ejecutivos y los equipos de excelencia operativa obtienen una visión compartida y basada en datos del rendimiento, lo que facilita la toma de decisiones estratégicas más acertadas en un entorno cada vez más volátil.

Gobernanza escalable y habilitación de la fuerza laboral

La fabricación inteligente no puede depender de expertos aislados. Requiere flujos de trabajo repetibles, gobernanza y una amplia adopción. Minitab admite metodologías estandarizadas en todas las plantas, lo que permite que la gerencia, los equipos de excelencia operativa, el personal de I+D y de planta trabajen desde un marco analítico común.

Con las plantillas y la capacitación adecuadas, los operadores pueden realizar comprobaciones de control y análisis básicos directamente en planta. Los ingenieros pueden realizar investigaciones estadísticas más profundas. La dirección puede supervisar los KPI con confianza en los datos subyacentes. Esta alineación es crucial en una era marcada por la escasez de personal y la creciente complejidad.

Construyendo la fábrica del futuro

La fábrica del futuro se basa en datos conectados, información predictiva y mejora continua en toda la organización. No se define por una sola tecnología, sino por la eficacia con la que los fabricantes utilizan los datos para orientar sus decisiones e impulsar los resultados.

Minitab apoya esta transformación conectando datos, decisiones y resultados. Desde la monitorización de la producción en tiempo real y el mantenimiento predictivo hasta la mejora de la calidad y la innovación de productos, los fabricantes obtienen la base analítica necesaria para competir.

A medida que las organizaciones se preparan para 2026 y años posteriores, la pregunta no es si invertir en analítica, sino cómo implementarla de forma práctica, escalable y medible.

Cuando esté listo para construir una fábrica más inteligente, Minitab le proporciona las herramientas y la experiencia para ayudarle a hacer realidad la fábrica del futuro.

Fuentes:

1. NAM, Manufacturing in 2030, 2025​
2. Deloitte, 2025 Manufacturing Industry Outlook, 2025​
3. WNS, Manufacturing Sector & Data Analytics, 2025​
4. Rockwell, State of Smart Manufacturing, 2025

Cálculos más robustos y confiables

resultados consistentes en química cuántica.

• Mayor estabilidad en cálculos DFT y COSMO
• Menos ajustes manuales requeridos
• Workflows más ágiles para investigadores

Predicción de espectros de alta calidad

Selección de solventes simplificada con COSMO

Mejoras internas para rendimiento y eficiencia

• Optimización de motores de cálculo
• Mejor aprovechamiento del hardware
• Mayor estabilidad y rapidez en simulaciones largas

TURBOMOLE 2026: la herramienta completa para investigación en química computacional

En un artículo recientemente publicado en Renewable Energy y titulado “Combining ray-tracing and a linear thermal model to predict the performance of a panel solar cooker under varying solar angles” [1], se muestra cómo COMSOL Multiphysics^® puede utilizarse como una herramienta clave para predecir el rendimiento óptico y térmico de cocinas solares, incluso cuando su geometría es compleja. La Figura 1 muestra la geometría simulada de la configuración Flor de Copenhague.

Figura 1. Geometría simulada de la configuración Flor de Copenhague.

¿Qué aporta COMSOL en este trabajo?

• Modelado estructural avanzado
  Se utiliza el Structural Mechanics Module para simular el proceso de plegado de los paneles flexibles. Esto nos permitió obtener geometrías 3D realistas a partir de láminas planas, algo prácticamente imposible con enfoques analíticos tradicionales.
• Ray-tracing con geometrías reales
  Las geometrías resultantes se integraron directamente en el Ray Optics Module, donde se realizaron simulaciones de trazado de rayos Monte Carlo para evaluar la captación solar bajo distintos ángulos de elevación y errores de alineación azimutal. La Figura 2 muestra el trazado de rayos en la cocina solar Copenhagen-Flower que se estudia en este trabajo.

Resultados clave

• Excelente concordancia entre simulación y medidas experimentales.
• Identificación clara de la influencia del ángulo solar en el rendimiento del sistema.
• Metodología transferible a otras cocinas solares y sistemas de concentración simples.

Este trabajo demuestra que COMSOL Multiphysics^® ofrece una plataforma potente para tecnologías apropiadas, sostenibles y de bajo coste, conectando simulación avanzada con impacto social real. Una muestra más de cómo la modelización multifísica puede reducir incertidumbre, mejorar el diseño y aumentar la probabilidad de éxito en sistemas energéticos reales.

Figura 2. Trazado de rayos en una cocina solar Copenhagen-Flower. Solo se muestra una muestra de 3 rayos.

Referencias

[1] Jesús García-Fernández, Antonio Carrillo-Andrés, Xabier Apaolaza-Pagoaga, Antonio García-Ruiz, Emilio Ruiz-Reina, Combining ray-tracing and a linear thermal model to predict the performance of a panel solar cooker under varying solar angles, Renewable Energy, Volume 263, 2026, 125443,

ChemDraw+

Añadir dibujo a un cuaderno desde su página de detalles

Copiar dibujos en un cuaderno

Renombrar cuadernos directamente desde la barra de navegación

La importación ahora soporta archivos SD y RD

Calcula LogP en el panel de Análisis

Generar horquillas a partir de un solo oligonucleótido

Arrastrar y soltar archivos SD/RD en el lienzo de ChemDraw

Por Peter Goos.

La tecnología avanza rápidamente y las empresas recurren cada vez más a la IA y a métodos basados en datos para innovar con mayor rapidez e inteligencia. Al integrar la IA en el Diseño de Experimentos (DoE), esta metodología se está convirtiendo en una herramienta aún más potente para la investigación y el desarrollo.

Para las organizaciones que desean seguir siendo competitivas, combinar el poder analítico de la IA con la experimentación estructurada del DoE se está volviendo esencial para descubrir nuevas oportunidades.

Este artículo es el primero de una serie que presenta ideas sobre el papel evolutivo del DoE.

IA y DoE: una poderosa sinergia

Uno de los avances más significativos del DoE en los últimos años es su sinergia con la Inteligencia Artificial.

La IA destaca en el análisis de grandes cantidades de datos históricos, descubriendo patrones que los enfoques tradicionales podrían pasar por alto. Estos conocimientos son valiosos, pero no generan información fundamentalmente nueva. La IA se limita a lo que ya ha ocurrido.

Aquí es donde el DoE se vuelve indispensable.

La innovación a menudo requiere explorar regiones donde no existen datos previos. El DoE permite a los investigadores probar deliberadamente nuevas combinaciones de datos y generar datos nuevos. Estos nuevos datos pueden utilizarse para refinar y fortalecer los modelos de IA.

Al combinar las fortalezas analíticas de la IA con la capacidad del Diseño de Experimentos para explorar nuevas posibilidades, las organizaciones pueden aprovechar tanto el conocimiento histórico como la experimentación estructurada. El resultado es una mejora continua, una innovación más rápida y una toma de decisiones más segura.

El DoE en un mundo basado en datos

A medida que las industrias dependen cada vez más del análisis para optimizar la producción, mejorar la calidad y acelerar el desarrollo, el DoE desempeña un papel vital a la hora de cerrar la brecha entre el análisis de datos y la experimentación en el mundo real.

La IA depende de datos históricos. El DoE genera datos de alta calidad y específicos para responder a las preguntas más urgentes de la actualidad. Estos datos estructurados son esenciales para validar las predicciones de la IA y garantizar la precisión de los modelos en condiciones nuevas o cambiantes.

En industrias con uso intensivo de datos, como la farmacéutica, la alimentaria y la química, donde variables complejas interactúan de forma no obvia, la DoE tiene un profundo impacto. Optimizar un proceso químico puede implicar la interacción de cientos de variables, lo que hace que los datos históricos sean insuficientes.

Mediante la experimentación controlada, el DoE produce datos precisos y prácticos. Estos datos mejoran los modelos de IA y fundamentan decisiones críticas en tiempo real. Las organizaciones pueden explorar enfoques innovadores, perfeccionar procesos e impulsar la mejora continua en lugar de basarse únicamente en observaciones previas.

El futuro del DoE: evolución continua en innovación

A medida que la IA y el DoE continúan evolucionando, la combinación del diseño experimental óptimo con el análisis impulsado por IA está haciendo que la experimentación sea más adaptativa, precisa y rentable.

Las organizaciones que adoptan estas tecnologías pueden responder a las demandas del mercado con mayor agilidad, acortar los ciclos de desarrollo y utilizar los recursos de forma más eficiente. A medida que más industrias adopten esta integración, la experimentación será más rápida, eficiente y con mayor impacto que nunca.

En un mundo cada vez más basado en datos, la IA y el DoE serán herramientas indispensables para impulsar la innovación.

La Conferencia Ibérica de Multifísica COMSOL 2026 se celebrará el viernes 26 de junio en el Rectorado de la Universidad de Málaga.

Ofrece un espacio único para investigadores y profesionales interesados ​​en la simulación multifísica, donde podrán compartir oportunidades de formación y experiencias profesionales en modelado multifísico en diversas áreas, a la vez que se crearán las condiciones ideales para el networking. La conferencia incluirá ponencias magistrales, minicursos, presentaciones de pósteres y mucho más.

Le invitamos a enviar un resumen. Este evento le ofrece una plataforma para presentar su trabajo, intercambiar ideas y explorar los últimos avances en simulación y modelado multifísico.

Envíe su resumen antes del 15 de mayo para presentar su investigación innovadora, aplicaciones industriales o técnicas de modelado innovadoras. Únase a expertos de renombre, gane reconocimiento y conecte con profesionales de su campo.

La conferencia está organizada por la Universidad de Málaga, la Multiphysics Modeling School, Addlink Software Científico y COMSOL AB.

Fechas destacadas

• 15 de mayo: Cierre de admisión de resúmenes
• 19 de junio: Cierre del registro a la conferencia
• 26 de junio: Iberian COMSOL Multiphysics Conference

Por Joshua Zable.

Recorra cualquier planta de fabricación y se dará cuenta rápidamente de que las decisiones de diseño, a menudo tomadas hace años, influyen discretamente en todo lo que sucede en el taller hoy en día. La distancia recorrida por los materiales, dónde se acumula el trabajo en proceso, la rapidez con la que se detectan los problemas e incluso la forma en que los equipos colaboran se ven influenciados por la disposición física y lógica de las operaciones.

Para los clientes de Minitab, Prolink, Simul8 y Scytec, los diseños de fabricación no son solo un detalle de ingeniería: son una palanca poderosa para mejorar el rendimiento, reducir la variabilidad y liberar capacidad sin agregar máquinas ni mano de obra.

Si tiene un buen conocimiento de diseños, visite el artículo sobre el uso de la simulación para imaginar, probar y validar nuevos diseños. Si no, espero que éste le ayude a explorar los diseños de fabricación más comunes y las ventajas de cada uno, para que pueda entender si debería considerar explorar la posibilidad de un nuevo diseño que podría mejorar su producción general.

Los cuatro diseños de fabricación comunes

Hay cuatro diseños de fabricación comunes y es importante comprender sus fortalezas y limitaciones.

1. Diseño de proceso (funcional)

Aspecto: Las máquinas están agrupadas por función: fresadoras juntas, tornos juntos, inspección en un área, ensamblaje en otra.

Dónde funciona bien:

• Alta mezcla, producción de bajo volumen
• Talleres de trabajo y fabricación a medida
• Cambios frecuentes de ruta

Desafíos ocultos:

• Largas distancias de viaje
• Alto trabajo en proceso (WIP)
• Colas impredecibles
• Programación difícil

Por qué el diseño original podría ser un obstáculo:

A medida que aumenta la demanda, los diseños funcionales suelen saturarse. El trabajo en proceso (WIP) se acumula entre departamentos, los plazos de entrega se alargan y el rendimiento se vuelve cada vez más variable. Esto podría ser motivo para considerar un nuevo tipo de diseño.

2. Diseño del producto (línea)

Cómo se ve:

El equipo está dispuesto en la secuencia exacta necesaria para producir un producto, a menudo como una línea de montaje.

Dónde funciona bien:

• Producción de alto volumen y baja variedad
• Demanda estable
• Procesos estandarizados

Desafíos ocultos:

• Vulnerable al tiempo de inactividad en cualquier estación individual
• Difícil adaptarse a los cambios de producto.
• Requiere un cuidadoso equilibrio de línea

Por qué el diseño original puede ser un obstáculo:

Si la oferta de productos o la demanda cambian, los diseños de línea rígidos pueden volverse ineficientes. Los cuellos de botella se desplazan, la mano de obra se infrautiliza y pequeñas interrupciones causan grandes retrasos en todo el sistema.

3. Disposición celular (celda de trabajo)

Cómo se ve:

Las máquinas se agrupan en celdas que producen familias de piezas similares de principio a fin.

Dónde funciona bien:

• Entornos Lean
• Volumen moderado y variedad
• Centrarse en el flujo y los cambios rápidos

Desafíos ocultos:

• Requiere un análisis cuidadoso de la familia parcial
• Puede subutilizar equipos especializados
• Es difícil diseñar correctamente sin datos

Por qué el diseño original podría ser un obstáculo:

Las celdas mal diseñadas pueden reducir el rendimiento si no se tiene en cuenta la variabilidad de la demanda. Las celdas que parecen eficientes en teoría pueden morir de hambre o bloquearse en la práctica.

4. Disposición de posición fija

Cómo se ve:

El producto permanece en un lugar y las personas, las herramientas y los materiales se mueven a su alrededor.

Dónde funciona bien:

• Productos de gran tamaño (aviones, barcos, equipos pesados)
• Fabricación única o por proyecto

Desafíos ocultos:

• Coordinación compleja
• Problemas de disponibilidad de material
• Alta dependencia de la precisión de la programación

Por qué el diseño original podría ser un obstáculo:

A medida que aumenta la complejidad, los retrasos se acumulan rápidamente. Sin una comprensión clara de las interacciones de los recursos, los diseños de posición fija se vuelven caóticos y costosos.

Conclusión: Su diseño es una palanca

En su esfuerzo por alcanzar la excelencia operativa, el diseño suele ser un factor que no se tiene en cuenta. Si cree que cambiar su diseño podría mejorar su operación, aproveche el poder de la simulación de eventos discretos para imaginar, probar y validar nuevas posibilidades. Sin embargo, si cree que tiene el diseño óptimo y aún enfrenta desafíos, existen otras soluciones. Considere monitorizar su tiempo de actividad, rendimiento y calidad con la solución DataXchange de Minitab o asegúrese de que su proceso sea estable y consistente con el SPC en tiempo real.

Un modelo estándar ejecutado con el modelo de dispersión de aire AERMOD produce una salida numérica con hasta 13 cifras significativas (p. ej., xxxxxxxx.xxxxx). Los proyectos que utilizan tasas de emisión muy bajas o muy altas pueden experimentar un problema si los valores generados por el modelo no se ajustan correctamente a este límite. Por ejemplo, valores de concentración de 1E9 unidades o superiores generarán un campo de asteriscos en el archivo de salida, como se muestra a continuación.

Las concentraciones inferiores o muy cercanas al umbral de informe predeterminado (1E-5) generarán valores repetidos de 0,00000 o 0,00001. Con tantos valores repetidos, AERMOD View no puede generar contornos correctamente debido a la falta de precisión.

El modelo AERMOD presenta dos formas de abordar este problema.

1. Escriba los datos en formato exponencial. En la sección Output Pathway, en Output Settings, active la opción "Use Exponential Format for Output Results". Esto reportará todos los valores en los archivos de salida externos (p. ej., Contour Plot Files, PLOT-formatted Post-Processing Files, etc.) en notación científica, de modo que los valores numéricos se escriban completamente.

   

2. Edite las etiquetas de unidad del modelo. En la ruta Source Pathway, acceda a la configuración de la unidad de salida de emisión (Emission Output Unit). La configuración predeterminada utiliza GRAMS/SECOND como etiqueta de emisión y MICROGRAMS/M**3 como unidad de concentración, con un factor de unidad de 1E6. Al seleccionar la opción User Defined, el modelador puede editar el factor de unidad y las etiquetas según sea necesario.

   Por ejemplo, un factor de unidad de 1 y una etiqueta de concentración de GRAMS/M**3 mostrarán valores numéricos para resultados muy altos. Por otro lado, un factor de unidad de 1E12 y una etiqueta de concentración de PICOGRAMS/M**3 mostrarán resultados muy bajos

   

En un artículo recientemente publicado en Scientific Reports [1], el autor utilizó COMSOL Multiphysics^® como plataforma central para desarrollar un modelo multifísico de un reactor de lecho fijo calentado por microondas, como se muestra en la Figura 1. En su núcleo, el diseño consiste en un eje rotatorio acoplado a un agitador personalizado, alojado dentro de un depósito metálico que actúa como cavidad resonante de microondas (MW). El agitador está fabricado con componentes metálicos capaces de soportar las tensiones mecánicas impuestas por el lecho denso y abrasivo de esferas de carburo de silicio (SiC).

Figura 1. Esquema del refrigerador TEC de material PbTe, con dimensiones y materiales.

El reto consistió en acoplar electromagnetismo (2.45 GHz), flujo turbulento en medio poroso (Brinkman–Forchheimer) y transferencia de calor, incorporando además una permitividad efectiva dependiente de la temperatura obtenida mediante un workflow externo Python–COMSOL con optimización (Nelder–Mead).

Para lograr una representación coherente de todos los fenómenos físicos relevantes, se implementó una estrategia de resolución iterativa estructurada de la siguiente manera:

1. Simulación de ondas electromagnéticas (Dominio en frecuencia):
   La simulación comienza con el cálculo de la propagación de microondas y la disipación de potencia dentro del medio efectivo. Las pérdidas electromagnéticas se calculan en función de la permitividad efectiva dependiente de la temperatura obtenida previamente.
2. Resolución del flujo de fluido (Dominios libre y poroso):
   Se resuelven los campos de velocidad y presión del gas nitrógeno tanto en el dominio de flujo libre como en el dominio poroso, utilizando las formulaciones apropiadas de Navier–Stokes y Brinkman–Forchheimer.
3. Análisis de transferencia de calor (Doble fase en medio poroso):
   Se resuelven las ecuaciones de transferencia de calor tanto para la fase sólida como para la fase fluida en el medio poroso. La fuente de calor se introduce en la fracción sólida, garantizando que únicamente las esferas de SiC sean calentadas por la radiación microondas, como es físicamente esperable.
4. Bucle iterativo de realimentación:
   Los pasos 2 y 3 se iteran mientras se avanza en la solución transitoria hasta que la temperatura alcanza una variación relativa inferior a una tolerancia predefinida. Si esta condición no se cumple, la simulación electromagnética (paso 1) se recalcula utilizando valores actualizados de permitividad dependiente de la temperatura, cerrando así el ciclo de acoplamiento.

En cuanto a alguno de los resultados obtenidos, la Figure 2 muestra una Vista en plano de corte de la velocidad (izquierda, m/s) y de la temperatura del fluido (derecha, °C).

Figura 2. Vista en plano de corte de la velocidad (izquierda, m/s) y de la temperatura del fluido (derecha, °C).

Este enfoque convierte a COMSOL Multiphysics^® en algo más que un solver: en la práctica, se transforma en el núcleo de un gemelo digital físicamente consistente para reactores microondas de intensificación de procesos.

Referencias

[1] González Niño, C. Modelling selective heating in microwave-heated packed-bed reactors. Sci Rep 16, 5636 (2026). https://doi.org/10.1038/s41598-026-36495-1.

Maple se encarga de todas sus necesidades matemáticas y le permite tratar sus cálculos como los valiosos activos que son.

Gestión de cálculos y cálculos avanzados

Maple es una herramienta de software que combina un potente motor matemático con una interfaz que facilita la gestión de sus cálculos, para que pueda tratarlos como los valiosos activos que son.

Potente herramienta matemática Maple puede satisfacer todas sus necesidades matemáticas, desde cálculos sencillos hasta cálculos avanzados, visualizaciones, análisis de datos y desarrollo de algoritmos. Ya sea que desee realizar cálculos rápidos, crear hojas de diseño o desarrollar sus propios algoritmos y aplicaciones interactivas, Maple tiene todas las matemáticas que necesita en un entorno que facilita la realización del trabajo. Más de 5000 funciones que cubren prácticamente todas las áreas de la ingeniería, incluidas ecuaciones diferenciales, análisis de datos, optimización, propiedades químicas y de fluidos y diseño de sistemas de control. Entrada de problemas intuitiva y entorno interactivo para exploraciones rápidas Lenguaje de programación sofisticado para el desarrollo eficiente de soluciones y algoritmos. Algoritmos simbólicos y numéricos para la resolución flexible de problemas Algoritmos líderes a nivel mundial para encontrar soluciones que están más allá del alcance de cualquier otro sistema de software Amplia colección de gráficos y animaciones 2D y 3D personalizables Algoritmos y herramientas eficientes para computación de alto rendimiento y resolución de problemas a gran escala Soporte integrado para unidades en sus cálculos Numerosas funciones de conectividad, incluidas amplias facilidades de importación/exportación, generación de código optimizada, conectividad con MATLAB® y Excel®, y más Entorno de creación enriquecido para crear documentos y aplicaciones técnicas

Entorno de gestión de cálculos Maple ofrece un entorno que le ayuda a maximizar el valor de sus cálculos. Con Maple, puede validar, documentar, conservar, reutilizar y modificar fácilmente sus cálculos, reduciendo el riesgo y ahorrando tiempo y esfuerzo en proyectos actuales y futuros. La base matemática de muchos proyectos de ingeniería suele elaborarse de forma desordenada, ya sea en papel o en una hoja de cálculo. Sin embargo, este enfoque informal conlleva riesgos. No solo pueden propagarse errores de cálculo a lo largo del proyecto, sino que también se corre el riesgo de perder las suposiciones, la información y los detalles de derivación necesarios para trabajos futuros. Con Maple, puede tratar sus cálculos como el valioso recurso que son. Las expresiones matemáticas se muestran en notación estándar, por lo que son fáciles de interpretar y cualquier error cometido al ingresar el problema es fácil de detectar y corregir. Puede combinar matemáticas, texto, imágenes, gráficos y más en un solo documento, de modo que pueda registrar todas sus suposiciones, razonamientos, ideas y conclusiones junto con sus cálculos, para que siempre estén disponibles cuando los necesite. Todos sus cálculos, documentación, datos y análisis se almacenan en un solo archivo, por lo que no se pierde nada y es fácil compartir su trabajo con otros. Hay varias opciones de implementación disponibles para que sus documentos y aplicaciones interactivas de Maple estén disponibles para otros, incluso si no tienen Maple.

Por Joshua Zable.

En Minitab, nuestra cultura se basa en un principio: seguir las mejores ideas. Cuando descubrimos algo que pueda beneficiar significativamente a nuestros clientes, trabajamos para incorporarlo a nuestro ecosistema.

El diseño de experimentos siempre ha sido fundamental para una mejor toma de decisiones en fabricación, I+D y mejora de procesos. Sin embargo, a medida que evolucionan los desafíos de nuestros clientes, nuestras capacidades deben evolucionar con ellos. Por eso nos entusiasma presentar métodos de diseño avanzados, incluyendo los diseños experimentales patentados de OMARS.

¿Qué son los diseños OMARS y por qué son importantes?

Los diseños OMARS (Orthogonal Minimally Aliased Response Surface) abordan uno de los desafíos más comunes en la experimentación del mundo real:

¿Cómo puedo identificar los factores influyentes y determinar sus configuraciones óptimas para alcanzar mis objetivos?

El problema que resuelven los diseños de OMARS

Muchos equipos siguen un camino familiar:

• Comience con un diseño de detección que tenga en cuenta todos los factores potencialmente influyentes
• Identificar las entradas más importantes
• Ejecute un segundo experimento con menos factores para construir un modelo de mayor fidelidad y recomendar configuraciones óptimas.

La guía tradicional suele decir: “Comience con un experimento de detección y continúe con un experimento de superficie de respuesta”.

En la práctica, ese enfoque puede requerir más pruebas de las que los equipos pueden afrontar de manera realista.

Los diseños de OMARS combinan el cribado y el modelado de superficies de respuesta en un solo diseño, lo que reduce significativamente el número de ejecuciones necesarias. Optimizan la ubicación de las ejecuciones para el modelo específico en el que se desea confiar, lo que permite a los equipos pasar directamente del descubrimiento de factores a modelos listos para la optimización.

El resultado: mejor predicción donde más importa, menos pruebas innecesarias y menores costos experimentales.

Los diseños de OMARS facilitan el aprendizaje continuo en lugar de secuencial. En lugar de reiniciarse entre fases, los equipos avanzan con confianza.

Cuando el rigor estadístico se combina con la flexibilidad experimental, las organizaciones ganan

Con las capacidades ampliadas de DOE de Minitab, los clientes obtienen acceso tanto a métodos tradicionales probados como a innovaciones experimentales modernas. Esta cartera más amplia ayuda a las organizaciones a resolver desafíos complejos del mundo real con mayor eficacia y eficiencia, sin sacrificar el rigor.

Un estudio reciente publicado por los autores Hasan et al. [1] en la revista “Thermal Advances” de la editorial “Elsevier”, destaca cómo COMSOL Multiphysics^® es una herramienta con gran potencial para diseñar y optimizar el rendimiento de enfriadores avanzados de tecnología termoeléctrica (TEC: Thermoelectric Coolers) basados en un material llamado telurio de plomo (PbTe). Esto permite predecir el comportamiento de los dispositivos antes de fabricarlos.

La Figura 1 muestra la geometría y materiales de los que está compuesto el refrigerador TEC objetivo de estudio y modelizado por los investigadores en COMSOL Multiphysics^®.

Figura 1.Esquema del refrigerador TEC de material PbTe, con dimensiones y materiales.

¿Qué herramientas de COMSOL Multiphysics® se utilizaron?

Para entender cómo funciona el enfriador, los investigadores conectaron diferentes módulos del programa:

• Módulo de Transferencia de Calor: Se usó para observar cómo varía la temperatura desde la cara fría (donde se absorbe el calor) hasta la cara caliente (donde se expulsa).
• Módulo AC/DC (Electricidad): Permitió calcular cuánta energía eléctrica se necesita y cómo fluye la corriente a través de los componentes para generar el efecto de enfriamiento.

¿Qué se logró descubrir gracias a COMSOL Multiphysics®?

Gracias a estas simulaciones, el equipo pudo ajustar el diseño sin gastar en materiales, logrando resultados muy precisos:

• Optimización del tamaño: Se probaron diferentes grosores para las capas de cobre y cerámica hasta encontrar el equilibrio perfecto donde el sistema no pierde energía.
• Resultados exactos: La simulación predijo una diferencia de temperatura máxima de 52.83 K y una potencia térmica de 2.55 W, valores que coinciden casi exactamente con las mediciones reales llevadas a cabo en laboratorio y que, por tanto, muestran como COMSOL Multiphysics® es una herramienta excelente que permite calibrar y validar modelos.
• Mapas visuales: El programa generó mapas de colores, como el análisis térmico que se muestra en la Figura 2, que muestran dónde se calienta más el dispositivo, permitiendo a los ingenieros reforzar esas zonas para que el enfriador dure más tiempo.

Figura 2.Resultados de simulación del refrigerador TEC en COMSOL Multiphysics. Análisis térmico.

En conclusión, el uso de COMSOL Multiphysics^® no solo acelera la investigación, sino que permite crear dispositivos de enfriamiento más ecológicos y potentes, esenciales para la electrónica del futuro y sistemas de control de temperatura de alta precisión.

Referencias

[1] Hasan et al. Optimizing the thermoelectric cooler performance of PbTe through numerical modeling using COMSOL multiphysics. Thermal Advances (2026) 100102.

Por Josué Zable.

El deterioro es uno de los riesgos más costosos y frustrantes que enfrentan los fabricantes. Los fabricantes comprenden el coste del deterioro, ya sea la destrucción de un lote de producto o la interrupción de los compromisos con los clientes.

De hecho, si está leyendo esto, probablemente comprenda la importancia de prevenir el deterioro, o quizás esté buscando una solución a un problema actual. Lo que quizá no esté considerando es el coste del seguro que seguirá a cargo de su empresa mucho después del evento, lo que implicará un gasto significativo en seguros.

Los gastos de seguro asociados con daños pueden ser sustanciales

Las compañías de seguros se centran en evaluar los riesgos y planificar en función de ellos. Cuando un evento genera un pago de seguro, las aseguradoras deben reevaluar el riesgo y aumentar las primas. En caso de deterioro, estos son ejemplos del impacto en los gastos de seguro:

• Un solo evento de deterioro moderado (por ejemplo, una pérdida de $100,000 a $500,000): Podría resultar en aumentos de primas del 10% al 20% y un aumento del deducible de 1.5 a 2 veces. Si bien la cobertura generalmente se mantiene, incluso un evento pequeño puede poner a una compañía en la lista de vigilancia de las aseguradoras.
• Evento de deterioro importante (p. ej., pérdida de $500,000 a $5 millones): Podría resultar en aumentos de primas del 20% al 40% y un aumento del deducible de 2x a 5x. Si bien la cobertura generalmente se mantendrá, podría haber un nuevo requisito de comprobante de controles mejorados.
• Evento de deterioro repetido (2 o más reclamos en 2-3 años): Podría resultar en aumentos de prima del 40 al 100 % (¡o más!) y un deducible muy alto o una cobertura reducida. Peor aún, la aseguradora podría incluso rechazar la renovación.

El seguro le hace las mismas preguntas que usted debería hacer

Fundamentalmente, las aseguradoras, como usted, quieren evitar eventos de deterioro. Tras un evento, empezarán a preguntarse si su proceso estaba controlado estadísticamente, qué estaba monitoreando o si hubo señales de alerta. Además, intentarán evaluar la probabilidad de que un evento se repita, dado el proceso implementado.

No sea reactivo, sea proactivo

Lo curioso de las primas de seguros es que, una vez que suben, rara vez bajan. Una empresa puede sobrevivir a un evento de deterioro, pero sus primas de seguros no. Las organizaciones más resilientes combinan la cobertura de seguros con las Soluciones de Minitab para reducir tanto la frecuencia como la gravedad de los eventos de deterioro o eliminarlos por completo.

El gran reto de la movilidad eléctrica no es solo la autonomía, sino el tiempo de carga. Todos queremos cargas ultra-rápidas, pero la física nos impone un límite: el recubrimiento de litio (lithium plating), que degrada la batería y puede ser peligroso.

En su último artículo, COMSOL Multiphysics® demuestra cómo pasar de una carga estándar de 38 minutos a una optimizada de solo 22 minutos (un 40% más rápida) manteniendo la misma salud de la celda.

¿Qué módulos de COMSOL se utilizan para lograr esto?

Para resolver este desafío de ingeniería, el modelo combina dos herramientas clave:

1. Battery Design Module: Es el corazón de la simulación. Permite modelar la química interna y el transporte de iones. Se utiliza para predecir el sobrepotencial local en el ánodo, identificando el punto exacto donde comenzaría el recubrimiento de litio.
2. Optimization Module: En lugar de usar una corriente constante (que es ineficiente), este módulo calcula una función de control que varía la corriente en tiempo real. Utiliza el método MMA (Method of Moving Asymptotes) para encontrar el perfil de carga más rápido posible sin violar las restricciones de degradación.

El resultado clave

La simulación permite encontrar el Frente de Pareto: un gráfico que muestra el equilibrio perfecto entre "tiempo de carga" y "ciclos de vida permitidos". La Figura 1 muestra el número máximo de ciclos frente al tiempo de carga para alcanzar un estado de carga (SOC) del 90% y del 100%. También se incluye el resultado de una corriente de carga constante (línea discontinua) para ilustrar mejor el beneficio de utilizar una corriente variable en el tiempo.

Conclusión: Gracias al diseño basado en simulación, ya no tenemos que adivinar. Podemos programar sistemas de gestión de baterías (BMS) con perfiles de carga inteligentes que maximizan el rendimiento sin sacrificar la seguridad.

Figura 1. Se representa gráficamente el número máximo de ciclos frente al tiempo de carga para alcanzar un estado de carga (SOC) del 90% y del 100%. También se incluye el resultado de una corriente de carga constante (línea discontinua) para ilustrar mejor el beneficio de utilizar una corriente variable en el tiempo.

Referencias

K.E. Jensen. COMSOL Blog (2025). Minimizing the Charging Time of a Battery. https://www.comsol.com/blogs/minimizing-the-charging-time-of-a-battery
COMSOL Application Gallery. Minimizing the Charging Time of a Lithium-Ion Battery. Application ID: 143291. https://www.comsol.com/model/minimizing-the-charging-time-of-a-lithium-ion-battery-143291

Por Joshua Zable.

El deterioro es uno de los riesgos más costosos y frustrantes que enfrentan los fabricantes. Ya sea que opere en el sector de alimentos y bebidas, productos farmacéuticos, productos químicos o logística de cadena de frío, un solo deterioro puede destruir un lote completo, interrumpir los compromisos de los clientes y generar reclamaciones de seguros que repercuten en toda la empresa mucho después de que el producto se agote.

Si bien el seguro contra daños desempeña un papel fundamental en la protección contra pérdidas catastróficas, el seguro por sí solo no previene el deterioro; solo responde una vez producido el daño. Las organizaciones más resilientes combinan la cobertura del seguro con el control estadístico de procesos y el análisis para reducir tanto la frecuencia como la gravedad de los eventos de deterioro. Aquí es donde Minitab ayuda a las organizaciones a transformar radicalmente la economía del deterioro.

Por qué el deterioro es un problema tan persistente

El deterioro rara vez ocurre sin previo aviso. En la mayoría de los casos, sigue un patrón predecible:

• Cambios pequeños y graduales en la temperatura, el pH, la humedad, la presión o la concentración.
• Variabilidad creciente que pasa desapercibida
• Se cruza un umbral
• El producto se vuelve inutilizable

El desafío radica en que estas señales de alerta temprana a menudo se ocultan en el ruido operativo diario. Los sistemas de monitoreo tradicionales se centran en si un producto o proceso cumple con las especificaciones, pero para cuando se excede un límite de especificación, ya se ha producido un deterioro. Por eso, Minitab ofrece soluciones como el software Prolink y el Control Estadístico de Procesos (SPC) en Tiempo Real para comprender la tendencia antes de que sea demasiado tarde.

Cómo las soluciones de Minitab ayudan a prevenir el deterioro antes de que ocurra

Minitab permite a las organizaciones pasar de la recuperación reactiva de pérdidas a la prevención proactiva de pérdidas, utilizando métodos estadísticos que revelan el riesgo mucho antes de que se pierda el producto.

1. Control estadístico de procesos en tiempo real como sistema de alerta temprana

Al utilizar gráficos de control como I-MR, Xbar-R y EWMA, Minitab ayuda a los equipos a monitorear variables críticas del proceso en tiempo real e identificar cambios estadísticamente significativos, no solo eventos fuera de especificación.

En lugar de preguntar: "¿El proceso todavía está dentro de los límites?" , SPC plantea una pregunta más poderosa:
"¿El proceso todavía se está comportando normalmente?"

Esto permite a los equipos detectar las derivas de forma temprana, intervenir antes de que se alcancen los umbrales de deterioro y salvar lotes que de otro modo serían desechados.

2. Análisis de capacidad para cuantificar el riesgo de deterioro

Muchos procesos cumplen técnicamente las especificaciones, pero operan demasiado cerca de los límites de deterioro para ser seguros. El análisis de capacidad de Minitab (Cp, Cpk, Pp, Ppk) cuantifica el margen existente entre la operación normal y la pérdida.

Este conocimiento ayuda a las organizaciones a:

• Identificar procesos con alto riesgo de deterioro
• Rediseñar los objetivos operativos para aumentar los márgenes de seguridad
• Priorizar los esfuerzos de mejora donde la exposición al riesgo es mayor

Desde una perspectiva de seguros, esto demuestra que el riesgo de deterioro se está gestionando activamente, no simplemente se acepta.

3. Análisis del sistema de medición para garantizar que puede confiar en los datos

La prevención de deterioro depende de mediciones precisas. Si los sensores presentan desviaciones, los instrumentos presentan sesgos o las pruebas de laboratorio carecen de repetibilidad, es posible que nunca se detecten las señales de alerta temprana.

El análisis del sistema de medición (MSA) de Minitab garantiza que:

• Los sensores de temperatura, humedad y proceso son confiables
• Las mediciones de laboratorio son repetibles y reproducibles.
• Las decisiones se basan en datos fiables

Esto no sólo reduce el riesgo de deterioro, sino que también refuerza la documentación en caso de una reclamación al seguro.

4. Análisis de causa raíz para evitar pérdidas repetidas

Cuando se produce un deterioro, las aseguradoras y los auditores inevitablemente preguntan: "¿Qué cambió y cómo evitarán que esto vuelva a suceder?"

Minitab proporciona un enfoque estructurado para responder esa pregunta utilizando:

• Análisis de Pareto para identificar contribuyentes dominantes
• Regresión y ANOVA para aislar factores causales
• Simul8 para probar escenarios hipotéticos
• Diseño de Experimentos (DOE) para validar acciones correctivas

En lugar de tratar el deterioro como un costo inevitable, las organizaciones utilizan Minitab para convertir cada incidente en una mejora permanente.

5. Análisis predictivo para anticipar condiciones de alto riesgo

Más allá de la detección y la corrección, las series de tiempo y el análisis predictivo de Minitab ayudan a las organizaciones a anticipar el riesgo de deterioro.

Al analizar patrones históricos, los equipos pueden:

• Identificar las condiciones que preceden consistentemente a los eventos de deterioro
• Predecir ventanas de riesgo estacionales o relacionadas con la demanda
• Implementar controles preventivos antes de que ocurran fallas

Esto es especialmente valioso para sistemas de refrigeración, procesos por lotes y operaciones de cadena de frío donde las fallas suelen ser intermitentes y acumulativas.

Además de ahorrar costes, evite que suban las primas de seguros

Todas las empresas entienden que los productos dañados les cuestan dinero, pero no necesariamente consideran su impacto de largo alcance sobre los costos.

Las aseguradoras consideran los eventos de deterioro como fallos operativos evitables, no como accidentes aleatorios, por lo que la fijación de precios se ajusta en consecuencia. Tras un siniestro por deterioro, las compañías suelen observar uno o más de los siguientes síntomas al renovar el seguro:

• Aumento de la prima del 10 al 40 %
• Deducibles más altos (a menudo 2×–5×)
• Límites de cobertura más bajos
• Nuevas exclusiones o sublímites
• Controles obligatorios o requisitos de seguimiento
• En casos graves o repetidos: no renovación

Si bien Minitab no reemplaza el seguro contra daños, sí revoluciona la forma de hablar sobre seguros. Usar Minitab ayuda a evitar incidentes de daños, lo que a su vez reduce las tarifas del seguro.