La comunidad de usuarios de COMSOL Multiphysics en España y Portugal tiene una cita imprescindible el próximo viernes 26 de junio de 2026 en el Rectorado de la Universidad de Málaga, sede de la Iberian COMSOL Multiphysics Conference 2026. El encuentro reunirá a investigadores, ingenieros y profesionales interesados en la simulación multifísica, en una jornada concebida para compartir conocimiento, descubrir nuevas capacidades tecnológicas y fomentar el networking entre especialistas del sector.

La conferencia ofrecerá un programa de gran valor para quienes trabajan con modelado y simulación avanzada, con ponencias plenarias, minicursos, presentaciones técnicas y sesiones de póster, en un entorno orientado tanto al aprendizaje como al intercambio de experiencias. Será una oportunidad única para conocer casos reales, tendencias emergentes y nuevas formas de optimizar los flujos de trabajo en ingeniería y análisis multifísico.

Entre los contenidos más destacados de esta edición sobresale la demostración de COSMON Nexus, el agente de inteligencia artificial diseñado para colaborar con equipos de ingeniería y simulación. La sesión será impartida por Rui Aguiar, fundador y CEO de Cosmon, y mostrará cómo los agentes de IA pueden integrarse con COMSOL Multiphysics para acelerar la configuración de modelos, automatizar tareas repetitivas, mejorar la exploración del espacio de diseño y facilitar la toma de decisiones, siempre bajo supervisión del usuario.

La presentación de Nexus permitirá a los asistentes descubrir un nuevo paradigma de colaboración entre ingeniería e inteligencia artificial, en el que la IA no sustituye al especialista, sino que actúa como apoyo técnico para reforzar la productividad, la trazabilidad y la calidad del trabajo. Esta demostración será especialmente relevante para quienes buscan hacer más ágiles sus procesos de simulación y explorar nuevas herramientas para sus equipos técnicos.

Como incentivo adicional, los asistentes al congreso podrán disfrutar de una licencia de evaluación de COSMON Nexus durante 30 días, una excelente oportunidad para experimentar de primera mano las capacidades de esta tecnología y valorar su aplicación en entornos reales de modelado y simulación con COMSOL.

La Iberian COMSOL Multiphysics Conference 2026 se presenta, por tanto, como una ocasión excepcional para actualizar conocimientos, descubrir nuevas soluciones y conectar con otros profesionales de la simulación multifísica en la Península Ibérica. Desde la organización se anima a todos los interesados a asistir y formar parte de una jornada que combinará innovación, formación y comunidad en un mismo espacio.

Las inscripciones siguen abiertas, por lo que quienes deseen asistir todavía están a tiempo de reservar su plaza y participar en uno de los encuentros de referencia para la comunidad COMSOL en España y Portugal.

Un reciente post publicado en el Blog de COMSOL Multiphysics^® (parte I y parte II) permite analizar el flujo de trabajo para resolver un interesante problema de bioingeniería: reparar el escáner 3D de un cráneo humano con un defecto óseo e integrarle un implante plano diseñado en CAD.

1. Limpieza y preparación del cráneo (STL)

El archivo escaneado original en formato STL presenta irregularidades y agujeros que impiden poder realizar simulaciones directamente. Los pasos clave para acondicionarlo son:

• Orientación: Se posiciona correctamente el cráneo en el espacio mediante operaciones de rotación. La malla del cráneo después de aplicar las operaciones de rotación se muestra en la Figura 1.
• Sellar defectos (“Fill Holes”): Se selecciona el contorno del agujero del cráneo para cerrarlo con una nueva superficie de malla estanca.
• Remallado (“Remesh Faces”): Se homogenizan los triángulos de la zona reparada para que tengan una transición suave con el resto del hueso.

Figura 1. Malla del cráneo después de aplicar operaciones de rotación.

Los detalles del proceso de reparación en la Parte 1 del blog de COMSOL [1].

2. Fusión del implante CAD con el hueso

Una vez preparado el cráneo, se debe integrar el implante (un disco CAD paramétrico, Figura 2) para que encaje perfectamente en la cabeza:

• Posicionamiento: Utilizando el cráneo como geometría de soporte, se sitúa el implante CAD justo sobre la zona del defecto.
• Intersección y Unión: En el entorno Mesh-Based Geometry, se combinan ambos elementos. Al hacer la intersección de la malla del cráneo con el CAD, se cambia el ajuste de los vértices a Linear para evitar errores de tolerancia en los bordes de contacto.
• Creación de Dominios: Con la operación Join Entities, se separan y definen correctamente los dos dominios finales del simulador: el dominio del hueso craneal y el dominio del implante de titanio.

El procedimiento paso a paso de la unión de ambas piezas en la Parte 2 del blog de COMSOL [2].

Resultado: Siguiendo este método de "limpieza en Mesh Part + unión lineal", se pasa de un archivo STL biomédico crudo a un modelo de elementos finitos perfectamente mallado y listo para un análisis de tensiones mecánicas o transferencia de calor.

Figura 2. Implante dental que se utiliza en el ejemplo.

Referencias

[1] Hanna Gothäll, COMSOL Blog 2026. Part 1: Editing and Repairing Surface Meshes in COMSOL Multiphysics®
[2] Hanna Gothäll, COMSOL Blog 2026. Part 2: Combining CAD Geometry with Meshes in COMSOL Multiphysics®

¡Maple Learn incluido! Obtenga acceso completo a la herramienta matemática en línea Maple Learn para usarla directamente o para implementar el contenido educativo que cree en Maple. ¡Parte de sus beneficios de EMP!

El acceso completo a Maple Learn ahora está incluido con Maple como beneficio del Programa de Mantenimiento Elite (EMP). Maple Learn es el entorno en línea de Maplesoft para la enseñanza y el aprendizaje de las matemáticas, diseñado para cursos desde el final de la escuela secundaria hasta el segundo año de universidad. Combina la potencia computacional de Maple con una interfaz de documentos basada en navegador y centrada en las matemáticas. Con acceso completo a Maple Learn, usted puede: Resuelve, visualiza y explora problemas matemáticos en tu navegador web, con resultados provenientes del fiable motor matemático de Maple. Genera contenido educativo mediante programación directamente en Maple y publícalo en línea a través de Maple Learn. Crea actividades interactivas y otros documentos directamente en Maple Learn. Comparte contenido con los estudiantes mediante enlaces directos o publicándolo en la galería de Maple Learn. Comprueba si hay errores en las soluciones escritas a mano, en combinación con la Calculadora Maple. Acceda a miles de exploraciones matemáticas en línea listas para usar, o personalícelas para que se adapten mejor a sus necesidades. Utiliza el asistente de IA integrado de Maple Learn para desarrollar contenido educativo.

Por Oliver Franz.

Los equipos de I+D están sometidos a una presión constante para obtener resultados más rápidamente, trabajando con presupuestos, materiales y equipos limitados.

Los experimentos pueden aumentar la necesidad de recursos para el desarrollo a medida que se adquieren nuevos conocimientos, lo que incrementa los desafíos que enfrentan los equipos de I+D . Una idea prometedora se convierte en un largo ciclo de pruebas. Se introducen nuevas variables, los resultados plantean interrogantes adicionales y el alcance experimental se amplía. Se realizan más ensayos, se consumen más materiales y los plazos comienzan a retrasarse.

Por eso, la I+D suele ser una actividad costosa . La experimentación es esencial para el desarrollo; sin embargo, los costos pueden dispararse rápidamente debido a la falta de estructura.

Reducir los costos y el desperdicio en I+D requiere un enfoque más riguroso en la planificación, priorización y ejecución de experimentos. Con Minitab , los equipos de I+D pueden reducir las ejecuciones innecesarias, concentrar los recursos en experimentos de alto impacto y obtener conclusiones fiables con mayor rapidez.

¿Por qué los experimentos de I+D se vuelven costosos e ineficientes?

Los costos de I+D aumentan cuando el esfuerzo experimental se dispersa demasiado. Los equipos suelen probar demasiadas variables sin una priorización clara, o bien recurren a pruebas de un solo factor a la vez, lo que no permite comprender cómo interactúan los diferentes elementos.

Como resultado, los experimentos se multiplican, las conclusiones tardan más en surgir y los recursos se consumen sin un valor proporcional. Esto conlleva un mayor consumo de materiales, plazos más largos y retrabajos repetidos.

Un enfoque más estructurado ayuda a los equipos a controlar el esfuerzo experimental y a reducir los costes innecesarios.

1. Reduzca las ejecuciones experimentales con un diseño experimental más inteligente

Una de las maneras más rápidas de reducir los costes de I+D es determinar con precisión el número óptimo de ensayos necesarios para alcanzar los objetivos de desarrollo.

El diseño de experimentos (DOE) permite a los ingenieros evaluar múltiples factores simultáneamente, en lugar de probar las variables de forma aislada. Esto posibilita identificar los factores críticos con antelación y eliminar ensayos innecesarios.

Con Minitab, los equipos pueden identificar los factores más importantes al inicio del proceso, evitar experimentos redundantes y alcanzar la configuración óptima con menos ejecuciones. Menos experimentos significan menor consumo de materiales y un progreso más rápido hacia resultados validados.

Realice menos ensayos sin sacrificar la calidad de la información con Minitab DOE de Effex.

2. Priorice los experimentos de alto impacto para minimizar el desperdicio de recursos

El desperdicio aumenta cuando los experimentos no están alineados con las variables que determinan los resultados. Los planes de prueba generales y las condiciones mal definidas suelen generar ensayos que aportan poca información, a la vez que consumen materiales, inmovilizan equipos e instalaciones, ocupan a valiosos expertos técnicos y prolongan los plazos de desarrollo.

Minitab ayuda a los equipos a centrar sus esfuerzos experimentales donde ofrecen mayor valor, descartando tempranamente los factores de bajo impacto , concentrando las pruebas en las variables críticas y adaptando los planes experimentales en función de los datos recibidos.

Esto garantiza que los materiales, el tiempo técnico, la capacidad de los equipos y el presupuesto se destinen a experimentos que impulsen el desarrollo de productos y procesos, y no a pruebas exploratorias que ralenticen las decisiones o desvíen recursos escasos de trabajos de mayor valor.

3. Defina el espacio de diseño para concentrar los controles donde más importan

El diseño de experimentos (DOE) proporciona información útil sobre todo el espacio de diseño, no solo sobre condiciones de prueba individuales. Sin esta visión más amplia, los equipos pueden basarse en resultados aislados, aplicar controles de forma demasiado generalizada o pasar por alto las condiciones de funcionamiento que más influyen en la calidad del producto.

Minitab ayuda a los equipos a modelar las relaciones entre los factores clave y los resultados, visualizar el espacio de diseño e identificar las combinaciones de configuraciones que producen resultados fiables y repetibles.

Con una comprensión más clara de dónde es menor el riesgo de defectos, los equipos técnicos pueden centrar los controles operativos en mantener los productos y procesos dentro de áreas sólidas del espacio de diseño, lo que mejora la confianza en la ampliación de escala y reduce la probabilidad de defectos.

Reducir costes y desperdicios para acelerar la I+D

La reducción de costes en I+D debe centrarse en aprovechar al máximo cada experimento.

Al mejorar el diseño, la priorización y el análisis de los experimentos, los equipos de I+D pueden reducir el desperdicio, acortar los ciclos de desarrollo y optimizar el uso de los recursos limitados. Minitab respalda este enfoque ayudando a los equipos a optimizar los experimentos, reducir el esfuerzo innecesario y convertir los datos en decisiones con mayor rapidez.

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 Sweep ²
  .
  • 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 Deshacer cambios. 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 piezas podían quedarse sin memoria para una gran cantidad de valores de parámetros ²
  • Las tolerancias de la derivada temporal ahora se gestionan internamente al usar el resolvedor dependiente del tiempo de la fórmula de diferenciación hacia atrás (BDF) predeterminada con los resolvedores no lineales de COMSOL. En muchos casos, esto mejora significativamente la estabilidad y el rendimiento, especialmente al simular ecuaciones diferenciales parciales (EDP) mixtas de primer y segundo orden en el tiempo, como en la interacción fluido-estructura (FSI), así como EDP completamente de segundo orden en el tiempo, como en la mecánica estructural. ³
  • Ahora se admite la optimización basada en gradientes al usar NVIDIA cuDSS. ³
  • El preordenamiento de filas (emparejamiento) ahora se utiliza de forma predeterminada al usar NVIDIA cuDSS. Mejora la robustez y puede optimizar el rendimiento para sistemas lineales dispersos complejos. ³
• La ventana del chatbot
  
  • La API de OpenAI Responses se utiliza ahora cuando la ventana del chatbot está configurada para OpenAI™ o Azure^® OpenAI™. ¹
  • Se actualizó el backend del proveedor de chatbot de OpenAI ¹
  • Se resolvió un problema al usar Gemini™ 3 con el proveedor compatible con la API de OpenAI ¹
  • 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. ²
• Funciones y operadores
  
  • Se solucionó un problema de trazado para las funciones analíticas que utilizan propiedades de material cuando el modelo contiene un enlace de material ¹
  • 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 (ROM)
  
  • 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 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 agregó compatibilidad con Unicode en las sugerencias de herramientas para gráficos 1D ¹
  • Se solucionó un problema con encabezados repetidos en la exportación de datos de gráficos con múltiples expresiones ¹
  • 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 Compact History, 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 modelo ²
• 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 flujo ²
• Se solucionó un problema que podía provocar un fallo al renderizar en algunas tarjetas gráficas ²
• Ahora puede acceder a los archivos de modelo anotados para Java haciendo clic en el botón Java junto al botón PDF en la parte superior de los archivos HTML de documentación del modelo. Estos archivos Java se pueden buscar seleccionando la opción Search scope de Model files for Java en la ventana Documentación, así como mediante el chatbot para obtener ejemplos concretos del uso de la API de COMSOL. ³
• Mejoras de rendimiento ¹
• 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-2025-66516 ²
  • Apache Log4j ^® :
    
    • Actualizado a la versión 2.25.3 para solucionar la vulnerabilidad reportada en CVE-2025-68161 ²
    • Actualizado a la versión 2.26.0 para abordar las vulnerabilidades reportadas en CVE-2026-34477, CVE-2026-34478, CVE-2026-34479, CVE-2026-34480 y CVE-2026-34481.
  • Apache Tomcat ^® :
    
    • Actualizado a la versión 9.0.115 ²
    • Actualizado a la versión 9.0.118 ³
  • OpenJDK™ actualizado a la versión 21.0.11 ³

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 tabla ²
.
• Mejoras de estabilidad ^1,2,3

Model Manager y gestión de archivos

• Se ha mejorado la visualización de atributos con etiquetas largas en el menú Filters. 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

• Se corrigió la inconsistencia en la dirección normal de las corrientes eléctricas en la interfaz de la capa estratificada para garantizar la dirección de polarización correcta en los materiales estratificados. ³
• Mejoras de estabilidad ^1,2,3

Acoustics Module

• Para la interfaz de Acústica de Presión con Explícito en el Tiempo , 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 NGON_ntipos NFACE_nde elementos. 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 termoviscosa ¹
• Mejoras de estabilidad ¹

Battery Design Module

• Mejoras de estabilidad ^1,2,3

CAD Import Module

• Se agregó compatibilidad para importar archivos ACIS ^® 2026 1.0 y SOLIDWORKS ^® 2026 ¹
• Mejoras de estabilidad ¹

CFD Module

• La función de datos CFD (CGNS) ahora admite NGON_ntipos NFACE_nde elementos. ¹
• Las casillas de verificación Use dynamic subgrid time sacla y Limit small time step effect on stabilization sime 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 rotor congelado . ¹
• Mejoras de estabilidad ^2,3

Chemical Reaction Engineering Module

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

Composite Materials Module

• Se corrigió la variable de fuerza para la opción Fuerza total en las características de física de carga de la interfaz Layered Shell cuando se utilizan varios materiales en capas.³
• Mejoras de estabilidad ^1,3

Corrosion Module

• Mejoras de estabilidad ¹

Design Module

• Se corrigió un error que provocaba que se insertaran nuevas características encima de la característica actual en una secuencia geométrica si la característica actual era una operación de Proyección a caras ³

ECAD Import Module

• Mejoras de estabilidad ¹

Electrochemistry Module

• Mejoras de estabilidad. ²

Fatigue Module

• Mejoras de estabilidad ¹
• Importación de archivos para CATIA ^® V5
• Se agregó compatibilidad para importar archivos CATIA ^® V5 2026 ¹

Fuel Cell & Electrolyzer Module

• Mejoras de estabilidad ¹

Granular Flow Module

• Mejoras de estabilidad ¹

Heat Transfer Module

• Cuando la interfaz principal de las funciones Escudo de radiación, parte superior y Escudo de radiación, parte inferior 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 de conexión térmica, capa estratificada, superficies o conexión térmica, capa no estratificada con el tipo de conexión establecido en límites compartidos o límites enfrentados , las funciones Escudo de radiación, parte superior y Escudo de radiación, parte inferior no se pueden aplicar a los límites seleccionados por esos acoplamientos multifísicos. ²
• Mejoras de estabilidad ^1,2

LiveLink™ for Excel^®

• Mejoras de estabilidad ¹

LiveLink™ for MATLAB^®

• Mejoras de estabilidad ¹

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 estabilidad ¹

LiveLink™ for SOLIDWORKS^®

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

LiveLink™ for Solid Edge^®

• Se agregó compatibilidad para sincronizar ensamblajes que incluyen piezas de chapa metálica guardadas como archivos .psm ²

MEMS Module

• Mejoras de estabilidad ^1,2,3

Metal Processing Module

• Mejoras de estabilidad ¹

Mixer Module

• Mejoras de estabilidad ¹

Optimization Module

• Se solucionó un problema que impedía el uso del tiempo final basado en condiciones con los pasos 1 del estudio de optimización de forma y topología.
• Mejoras de estabilidad ^1,2,3

Particle Tracing Module

• Módulo de seguimiento de partículas
• Mejoras de estabilidad ¹

Pipe Flow Module

• Mejoras de estabilidad ^1,3

Plasma Module

• Mejoras de estabilidad ^1,2

Polymer Flow Module

• Mejoras de estabilidad ²

Porous Media Flow

• Mejoras de estabilidad ¹

Ray Optics Module

• Mejoras de estabilidad ¹

RF Module

• Mejoras de estabilidad ^1,2,3

Rotordynamics

• Mejoras de estabilidad ^1,3

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 frecuencia . ¹

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 Calcular flujos de contorno en la configuración de discretización para la interfaz de Mecánica de sólidos, Dinámica explícita ¹
.
• Se solucionó un problema con la función Carga de contorno en la interfaz de Mecánica de sólidos, Dinámica explícita que impedía el uso de la opción de tipo de carga Resultante ²
.
• 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 cuasiestático ²
• Se corrigió un error que podía provocar variables indefinidas al utilizar un componente CMS reducido en estudios geométricamente no lineales ²
• 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 excesivas. ²
• Se corrigió la contribución de la fuerza del fluido del acoplamiento de interacción fluido-estructura en la parte superior e inferior de las superficies de la cáscara.
• Se ha corregido un error en la definición del factor de escala de longitud (LSF) para la función de capa delgada de la interfaz de mecánica de sólidos.
• Ahora se ha añadido correctamente la restricción de línea de pliegue antiparalela para la interfaz Shell en modelos axisimétricos 2D.
• Se corrigió un error en el cálculo de los espesores del ala y del alma para la viga HEB europea en ciertas combinaciones de datos de entrada.
• Se corrigieron errores en las expresiones de la variable de fuerza para la opción Fuerza total para las subfunciones de carga de la función Capa delgada en la interfaz de Solid Mechanics.
• Se solucionó un problema en la subfunción Decohesión de Contacto Interior, donde los desplazamientos de Modo I (apertura) y Modo II (cizallamiento) se calculaban incorrectamente en 2D debido a que el vector de salto de desplazamiento se trataba como el vector 3D correspondiente. Ahora, los desplazamientos se calculan correctamente utilizando las componentes normal y tangencial del vector de salto de desplazamiento.
• Mejoras de estabilidad ^1,2,3

Subsurface Flow Module

Uncertainty Quantification Module

Wave Optics Module

¹ Novedades de la actualización 1 (versión 6.4.0.343, publicada el 29 de enero de 2026)

² Novedades de la actualización 2 (versión 6.4.0.378, publicada el 19 de marzo de 2026)

³ Novedades de la actualización 3 (versión 6.4.0.429, publicada el 29 de mayo 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.

La Revista de Simulación Multifísica

El mundo natural ha experimentado miles de millones de años de adaptación y evolución, lo que lo convierte en una fuente inagotable de inspiración para los ingenieros. Por ejemplo, los equipos de ingeniería han recurrido a hojas, pulmones y vasos sanguíneos para el diseño de placas de flujo para vehículos de hidrógeno, a la capacidad natural de almacenamiento de calor de la arena para sistemas de distribución de calor, y mucho más. La naturaleza sirvió de inspiración para estos diseños, pero la simulación multifísica de alta fidelidad, basada en las interacciones físicas del mundo real, fue el motor de su desarrollo. Así como la naturaleza misma experimenta una evolución continua, también lo hace la tecnología de simulación.

En COMSOL News 2026, compartimos las historias inspiradoras de ingenieros y científicos que se han inspirado en la naturaleza y han utilizado software de simulación multifísica, gemelos digitales y modelos sustitutos para mejorar sus flujos de trabajo, potenciar el desarrollo de sus productos y, en última instancia, dar forma al futuro de la tecnología.

Los temas incluyen:

• Baterías para camiones eléctricos
• Escáneres de resonancia magnética asequibles
• Acústica de alta gama para relojes
• Causas de fallas electrónicas
• Almacenamiento de energía estable
• Pérdidas de CA en los diseños de tokamak

En esta edición también se incluyen artículos sobre innovaciones inspiradas en la naturaleza, baterías para aeronaves eVTOL y el diseño de dispositivos médicos. Haz clic en el botón de abajo para acceder al instante a la versión digital de la revista.

a partir del 1 de julio de 2026, se descontinuarán las renovaciones de mantenimiento perpetuo para todos los productos ChemDraw.

los clientes continuarán utilizando los mismos productos ChemDraw con acceso a las últimas versiones

Por Oliver Franz.

El trabajo de I+D tiene una forma curiosa de convertir el "eso debería funcionar" en "¿por qué hizo eso?".

Un experimento se desarrolla a la perfección. El siguiente, utilizando la misma receta, el mismo equipo y la misma configuración minuciosa, arroja un resultado diferente.

¿Molesto? Sin duda. ¿Aleatorio? Quizás no.

Eso suele deberse a la variabilidad.

Los equipos de I+D toman decisiones cruciales antes de contar con información perfecta, por lo que los resultados inconsistentes no pueden simplemente descartarse como ruido. Cuando la variación no se mide ni se comprende, el rendimiento se vuelve más difícil de predecir, los ciclos de desarrollo se alargan y el riesgo aparece más tarde de lo deseado.

Un enfoque estructurado para el análisis del rendimiento y la variabilidad proporciona a los profesionales técnicos de I+D una visión más clara de lo que está cambiando, por qué es importante y cómo avanzar con mayor confianza.

¿Por qué el rendimiento en I+D a veces es inconsistente?

El rendimiento irregular suele deberse a variaciones que no se comprenden ni se controlan del todo.

Los insumos cambian, las condiciones ambientales fluctúan y los efectos combinados entre las variables influyen en los resultados de maneras que no son inmediatamente visibles. Cuando estas fuentes de variación no se cuantifican, los resultados pueden parecer poco fiables incluso cuando existen patrones.

Sin un análisis de rendimiento adecuado, los equipos se basan en promedios o resultados de pruebas aisladas, lo que puede enmascarar el comportamiento de un sistema en condiciones reales.

Mejorar el rendimiento comienza con tres maneras de medir, analizar y reducir la variabilidad.

1. ¿Cómo se mide la variabilidad con el diseño de experimentos?

Muchos equipos de I+D siguen probando las variables de forma aislada, modificando un factor a la vez. Esto limita la visibilidad sobre cómo la variación en los datos de entrada afecta al rendimiento general.

El diseño de experimentos (DOE) proporciona una forma estructurada de medir la variabilidad entre múltiples factores simultáneamente. Los profesionales técnicos pueden cuantificar los efectos de los cambios en las variables de entrada individuales, comprender la influencia combinada de múltiples variables de entrada e identificar cuándo los efectos siguen un patrón curvo y no lineal, revelando así cómo las variables de entrada influyen en los resultados.

Con Minitab, los profesionales técnicos de I+D pueden:

• Identificar qué factores impulsan la variación en los resultados
• Comprender cómo los efectos combinados de múltiples entradas (interacciones) contribuyen a los cambios en el rendimiento.
• Construir modelos que describan el comportamiento del sistema en diferentes condiciones.

Esto permite medir la variabilidad y proporciona a los equipos una base clara para mejorar el rendimiento.

2. ¿Cómo puede la simulación de Monte Carlo mejorar el análisis de rendimiento en condiciones de variabilidad?

Las condiciones del mundo real introducen variaciones que no siempre pueden capturarse en un conjunto limitado de experimentos.

La simulación de Monte Carlo amplía el análisis de rendimiento al modelar una amplia gama de resultados posibles basados ​​en patrones medidos de variabilidad de entrada. En lugar de depender de un único resultado esperado, los profesionales técnicos pueden evaluar cómo cambia el rendimiento en diferentes escenarios.

En Minitab Solution Center, la simulación de Monte Carlo ayuda a los equipos a evaluar con qué frecuencia un diseño cumplirá con las especificaciones. Mediante estas simulaciones, los equipos pueden identificar los factores que más contribuyen a la variabilidad y evaluar el rendimiento en condiciones cambiantes.

Esta perspectiva más amplia facilita la anticipación de riesgos y la comprensión del comportamiento de los sistemas fuera de los entornos de prueba controlados.

3. ¿Cómo se reduce la variabilidad y se estabiliza el rendimiento?

Medir la variabilidad es solo una parte del proceso. Mejorar el rendimiento requiere reducir esa variabilidad donde más importa.

El análisis estadístico en Minitab ayuda a los profesionales técnicos a identificar factores importantes, cuantificar su impacto y definir condiciones operativas que conduzcan a resultados más consistentes. Los equipos pueden comenzar con análisis gráficos, como diagramas de variabilidad (varianza), para comprender dónde existe variación, y luego usar herramientas como el optimizador de respuesta con modelos de varianza logarítmica en Minitab Solution Center para identificar configuraciones que minimicen la variabilidad. Estos hallazgos se pueden probar con análisis de sensibilidad y simulación de Monte Carlo para evaluar cómo los cambios en los patrones de entrada afectan el rendimiento en condiciones reales.

Este enfoque permite a los equipos pasar de observar la variación a controlarla activamente, lo que da como resultado procesos más estables y resultados más predecibles.

Reducir la variabilidad para mejorar el rendimiento en I+D.

Cuando no se comprende la variabilidad, el rendimiento sigue siendo inconsistente y difícil de escalar.

Al aplicar el análisis de rendimiento para medir y reducir la variabilidad, los equipos de I+D comprenden mejor el comportamiento de los sistemas. Pueden identificar las causas de la inconsistencia, mejorar la estabilidad y tomar decisiones que resulten efectivas en la práctica.

Minitab combina esto con herramientas que facilitan el análisis y la actuación ante la variabilidad, ayudando a los equipos a pasar de resultados inconsistentes a un rendimiento predecible en I+D.

El diseño eficiente de las celdas de combustible de membrana de intercambio protónico (PEMFC) es clave para acelerar la descarbonización global. Sin embargo, evaluar físicamente cada variación geométrica resulta costoso y complejo. Para resolver esto, un reciente estudio publicado en la revista Next Research (Elsevier) [1] utilizó COMSOL Multiphysics^® para modelizar y analizar simultáneamente el impacto de la configuración del flujo y el número de canales en el rendimiento de una PEMFC de 12.8 cm, tal y como se muestra en la Figura 1.

Figura 1. (a) Esquema de la dirección del O2 y el H2 a través de los canales en la configuración de flujo en contracorriente, y (b) estructura plana de la PEMFC diseñada. (c) Canal del campo de flujo 1S con dimensiones y (d) mallado de su geometría. Diseño del campo de flujo para los canales (e) 2S y (f) 4S. (Nota: "PEMFC" se refiere a la celda de combustible de membrana de intercambio protónico, por sus siglas en inglés, y "1S, 2S, 4S" hacen referencia al número de canales en serpentín —1, 2 y 4 canales—).

Los investigadores desarrollaron un modelo tridimensional (3D) estacionario e isotérmico en monofase, utilizando el módulo especializado Hydrogen Fuel Cells. Mediante COMSOL Multiphysics®, se resolvieron de forma acoplada las ecuaciones fundamentales de conservación: la cinética electroquímica en los electrodos se rigió por la ecuación de Butler-Volmer, el transporte de momento en los canales mediante Navier-Stokes (flujo laminar), la difusión de gases multicomponente con la ecuación de Maxwell-Stefan, y la distribución de velocidades en los medios porosos (GDL y capas de catalizador) a través de la Ley de Darcy.

El software permitió evaluar tres geometrías de canales en serpentín (1, 2 y 4 canales) bajo configuraciones de flujo paralelo (coflow) y contracorriente (counterflow). Tras un riguroso estudio de optimización de malla y parámetros operativos —fijando las condiciones óptimas en 60ºC, 50% de humedad relativa y estequiometrías de ánodo/cátodo de 1.2/2.5 — COMSOL reveló datos cruciales. 

Los mapas tridimensionales como los que se muestran en la Figura 2 demostraron que la configuración de contracorriente ofrece una distribución de hidrógeno más homogénea y mitiga la caída de concentración cerca de la salida. Sorprendentemente, el canal único (1S) en contracorriente incrementó la densidad de corriente en un 13.1% y la densidad de potencia en un 1.81% a 0.7 V en comparación con el coflow. Este trabajo reafirma el papel de COMSOL Multiphysics® como una herramienta indispensable para predecir fenómenos de transporte y optimizar tecnologías limpias sin incurrir en altos costos experimentales.

Figura 2. Distribución de la fracción molar de hidrógeno en la interfaz del canal del campo de flujo del ánodo para flujo paralelo (coflow): (a) 1S, (b) 2S, (c) 4S, y para flujo en contracorriente (counter flow) con (d) 1S, (e) 2S y (f) 4S.

Referencias

Calculadora de Maple incluida. Obtenga la Calculadora Premium de Maple en su teléfono. ¡Ahora incluida con su membresía EMP!

Ahora, Maple Calculator Premium viene incluido con Maple como beneficio del Programa de Mantenimiento Elite (EMP). La aplicación Maple Calculator lleva la potencia del motor matemático de Maple a tu dispositivo móvil. Con más de 6 millones de descargas y una calificación de 4.5 estrellas, es una de las aplicaciones de matemáticas avanzadas más utilizadas en la actualidad. Ahora, los usuarios de Maple con una suscripción EMP obtienen acceso Premium a Maple Calculator, que ofrece soluciones paso a paso ilimitadas y soporte para problemas verbales con inteligencia artificial, además de las completas herramientas de resolución y visualización disponibles en la aplicación base.

Uno de los pilares fundamentales para trabajar con los productos de Lakes Environmental Software es el área de dibujo. Aquí se muestran todos los objetos y capas para su visualización y edición. Una herramienta que los usuarios tienen a su disposición para controlar adecuadamente lo que se muestra en el área de dibujo es la pestaña de superposiciones (Overlays) en la vista de árbol (Tree View).

Esta pestaña permite a los usuarios especificar qué objetos deben mostrarse, ordenar las capas para obtener la mejor visualización posible o editar gráficamente capas u objetos específicos.

Las capas seleccionadas se muestran en el área de dibujo, en el orden en que aparecen en la pestaña Overlays. En la imagen de ejemplo anterior, el límite del dominio del sitio (Site Domain Boundary) estará encima de todas las demás capas en el área de dibujo, mientras que Tutorial_Map_15km.jpg es la capa inferior.

Las siguientes opciones pueden emplearse para brindar a los usuarios un mayor control de su área de dibujo.

• Las flechas Mover hacia abajo/Mover hacia arriba permiten a los usuarios desplazar rápidamente las capas hacia arriba o hacia abajo para una mejor visibilidad en la pantalla principal. También es posible reordenar las capas seleccionando su nombre y arrastrándolo hacia arriba o hacia abajo según se desee.
• Las opciones Desmarcar todo y Marcar todo permiten a los usuarios gestionar rápidamente todas las capas listadas para ocultarlas o visualizarlas.
• La opción Deshabilitar selección permite al usuario impedir que la capa seleccionada se seleccione en el área de dibujo. Esto resulta especialmente útil para mapas base grandes que el usuario quizás no desee editar ni seleccionar mientras trabaja con objetos del modelo. Una capa que se ha deshabilitado para la selección mostrará un icono de candado.
  
• La opción Deshabilitar edición gráfica impide que la capa seleccionada se mueva, cambie de tamaño o elimine. La capa u objeto aún se puede seleccionar en el área de dibujo para editarlo, pero queda bloqueado gráficamente a dicha área.
  
• La función Zoom a superposición permite ampliar rápidamente la capa seleccionada. Esto puede resultar útil para localizar objetos específicos del modelo o capas del mapa.
• Elimine la selección para quitar rápidamente la capa seleccionada.

El modelado de mediciones de pulso-eco ultrasónico en tuberías de petróleo es crucial para evaluar la integridad de los pozos y las propiedades de los materiales ocultos. Sin embargo, simular estos escenarios en 3D plantea un gran desafío computacional debido a las altas frecuencias y las complejas geometrías involucradas, requiriendo incluso hasta varias horas por simulación.

Para superar este obstáculo, investigadores del grupo de Acústica de SINTEF desarrollaron una metodología eficiente en COMSOL Multiphysics^® utilizando una simplificación axisimétrica en 2D alineada con el eje del transductor (Figura de la portada, que muestra los resultados del modelado 3D en cuatro pasos temporales, haciendo uso de dos ejes de simetría) [1,2]. Mediante el modo de tiempo explícito (time-explicit) y el acoplamiento multifísico Pair Acoustic–Structure Boundary, lograron reducir el tiempo de cómputo a solo 13 minutos por simulación, manteniendo una excelente precisión en comparación con los resultados en 3D.

Esta drástica reducción de tiempo permitió crear una base de datos masiva con más de 1,400 simulaciones paramétricas utilizando LiveLink™ para MATLAB^®. Gracias a la flexibilidad de COMSOL, se analizaron de forma automatizada variables como el espesor de la tubería, distancias y propiedades de los materiales, impulsando el desarrollo de técnicas de inspección no destructiva en la industria energética.

Un excelente ejemplo de cómo COMSOL Multiphysics^® permite acelerar simulaciones complejas de propagación de ondas, realizar estudios paramétricos avanzados y optimizar procesos de inspección industrial en el sector energético.

Puede conocer más detalles en el blog de COMSOL [3].

Referencias

[1] A. Diez, T.F. Johansen, E.M. Viggen, “From 3D to 1D: Effective numerical modelling of pulse-echo measurements in pipes,” Proc. 46th Scandinavian Symposium on Physical Acoustics, pp. 1–23, 2023; ISBN 978-82-8123-023-1.
[2] A. Diez, E.M. Viggen, T.F. Johansen, “Ultrasonic pulse-echo dataset from numerical modelling for oil and gas well integrity investigations,” Sci Data 12, 544, 2025; https://doi.org/10.1038/s41597-025-04851-x
[3] COMSOL blog: https://www.comsol.com/blogs/reduced-order-modeling-of-ultrasonic-pipe-measurements

Figura 1. Estructuras químicas, superficies sigma y perfiles sigma de betulina y ácido betulínico estimados mediante COSMO-RS.

Retos iniciales y motivación

Figura 2. Capacidad de dilución infinita (C∞i) de los disolventes estudiados, estimada mediante COSMO-RS para Bet y BAc a 25 °C. Los terpenoides y los disolventes orgánicos convencionales se muestran como barras de color claro y oscuro, respectivamente.

Integración de COSMOsuite y TURBOMOLE

Figura 3. Perfiles sigma (a) y potenciales sigma (b) de h-NADES de betulina, ácido betulínico y timol:1-octanol (4:1) estimados mediante COSMO-RS.

Impacto en sostenibilidad y eficiencia

Figura 4. Efecto de la fracción molar timol:1-alcanol (xtimol, de 0,2 a 0,8) y la longitud de la cadena del 1-alcanol sobre C∞_Bet+BAc a 25 °C, predicho por COSMO-RS.

• Rendimiento de extracción para Betulina: 25 mg/g, y Ácido betulínico: 1,06 mg/g
• Recuperaciones: 80% (Bet) y 96% (BAc), RSD ≤ 2,3%
• Contenidos en corteza: 12,09–32,17 mg/g (Bet), 0,69–1,43 mg/g (BAc)
• Índice de sostenibilidad AGREEprep: 0,76

Beneficios y perspectivas

Proyección futura

Referencias

Interacciones fluidas: Varias mejoras pequeñas pero importantes en la interfaz hacen que trabajar en el entorno Maple sea mucho más sencillo.

Por Jen Roan.

Las organizaciones se enfrentan a una presión cada vez mayor para tomar mejores decisiones con mayor rapidez. Los equipos de fabricación, calidad y operaciones gestionan más datos, procesos complejos y prioridades contrapuestas que nunca. Ya sea para mejorar la calidad, aumentar la productividad, reducir costes, optimizar la producción o fortalecer la excelencia operativa, persiste un desafío constante: las decisiones rara vez se toman de forma aislada.

Un cambio que mejora un resultado puede afectar a otro. Aumentar la productividad puede repercutir en la calidad. Reducir los costes puede generar variabilidad. Mejorar el rendimiento puede implicar concesiones en cuanto a eficiencia, coste o desempeño. Si bien cada resultado suele analizarse de forma individual, identificar la mejor estrategia para lograr múltiples objetivos empresariales y de calidad resulta más complejo.

Nuestras últimas actualizaciones de productos están diseñadas para ayudar a los equipos a trabajar de manera más eficiente en todo el flujo de trabajo analítico, desde la recopilación de datos hasta la obtención de información y la toma de decisiones. En Minitab Statistical Software, el módulo de análisis predictivo ahora incluye capacidades de optimización ampliadas que ayudan a los usuarios a equilibrar múltiples resultados con mayor confianza. QC-Calc Data Collection 5.1 presenta QC Collect, que permite la entrada de datos de calidad basada en el navegador en entornos locales seguros.

También estamos mejorando Data Center, que forma parte de Minitab Solution Center, con herramientas optimizadas para combinar conjuntos de datos de múltiples fuentes. En conjunto, estas actualizaciones simplifican la recopilación de datos, agilizan su preparación y fortalecen los flujos de trabajo de análisis predictivo para una toma de decisiones más acertada y segura.

Tome mejores decisiones en función de la calidad y el rendimiento en competencia

En muchos entornos de fabricación y mejora de la calidad, la optimización no consiste en encontrar la mejor respuesta a una sola pregunta, sino en encontrar el equilibrio óptimo entre múltiples resultados.

Esto proporciona a los equipos una herramienta más eficaz para evaluar las ventajas y desventajas e identificar la mejor combinación de ajustes en términos de calidad, coste, rendimiento, productividad y desempeño. Por ejemplo, un equipo de producción podría evaluar cómo afecta simultáneamente el cambio de un ajuste del proceso a la productividad y a la tasa de defectos, lo que les permitiría aumentar la producción sin generar un riesgo de calidad inaceptable.

Al ser compatible con técnicas de modelado avanzadas como Random Forests , MARS y TreeNet, Minitab ayuda a los equipos a ir más allá del método de ensayo y error para tomar decisiones más seguras, fundamentadas y basadas en datos. En lugar de analizar cada resultado por separado y conciliar los resultados manualmente, los usuarios pueden evaluar múltiples respuestas en conjunto para comprender mejor cómo influyen los factores en el rendimiento general del proceso.

Para las organizaciones que trabajan en entornos complejos de producción, ingeniería , control de calidad u operaciones, esto es importante. Significa que los equipos pueden tomar decisiones de optimización de procesos más rápidamente, con mayor claridad y confianza.

Simplifique la recopilación manual de datos de calidad manteniendo el control.

Un análisis fiable depende de datos fiables. Sin embargo, en muchos entornos de gestión de calidad, inspección y fabricación, la recopilación manual de datos sigue siendo importante , ya sea que las mediciones se introduzcan mediante un teclado o se capturen directamente con instrumentos de medición portátiles. El reto consiste en simplificar el proceso para los usuarios, manteniendo al mismo tiempo la seguridad, la coherencia y el control que las organizaciones necesitan.v

Con QC-Calc Data Collection 5.1, presentamos QC Collect, una nueva funcionalidad que permite la introducción de datos a través del navegador en un entorno local.

QC Collect ofrece a los equipos la sencillez de una interfaz web, manteniendo al mismo tiempo el control sobre la gestión de datos, la seguridad y el cumplimiento normativo. Reduce la necesidad de instalaciones locales, alivia la carga de trabajo del departamento de TI y ayuda a estandarizar la forma en que se recopilan los datos de calidad e inspección en todas las operaciones.

Esto resulta especialmente valioso para las organizaciones que necesitan una entrada de datos flexible y accesible sin abandonar un modelo de implementación local. Al simplificar y uniformizar la recopilación manual de datos de calidad, QC Collect ayuda a garantizar que los datos precisos y oportunos estén disponibles para el análisis estadístico, el monitoreo de procesos y la mejora continua cuando los equipos los necesiten.

Reúna los datos para un análisis estadístico más eficaz

A medida que las organizaciones recopilan datos de más sistemas, fuentes y flujos de trabajo, prepararlos para el análisis se ha vuelto cada vez más complejo. Con demasiada frecuencia, los equipos dedican tiempo a combinar, limpiar y organizar conjuntos de datos antes de responder a las preguntas importantes.

En esta versión, hemos simplificado la fusión de conjuntos de datos de múltiples fuentes, lo que ayuda a los usuarios a dedicar menos tiempo a preparar los datos y más tiempo a analizarlos.

Estas mejoras permiten crear modelos más completos, obtener información más precisa y tomar mejores decisiones en flujos de trabajo como la combinación de resultados de inspección, mediciones de procesos y datos de producción antes del análisis estadístico. Cuando los equipos integran los datos de forma más eficiente, obtienen una visión más completa de sus procesos, identifican las relaciones con mayor claridad y actúan con mayor confianza.

Para los equipos de fabricación, calidad y mejora de procesos, una mejor preparación de los datos contribuye directamente a un análisis más sólido. Ayuda a los equipos a mejorar el rendimiento de los procesos, reducir la variabilidad, descubrir las causas raíz y tomar decisiones basadas en una visión más completa de sus operaciones.

Ayudamos a los equipos a pasar de la información valiosa a la acción

En todas estas actualizaciones, surge un tema común: reducir las fricciones a lo largo de todo el proceso de análisis de datos.

La recopilación, preparación y análisis de datos están estrechamente relacionados. Cuando una parte del flujo de trabajo es lenta o inconsistente, afecta a todo lo que sigue. Al mejorar la forma en que los equipos recopilan datos de calidad, combinan conjuntos de datos y optimizan las decisiones en función de múltiples resultados, Minitab ayuda a las organizaciones a trabajar de forma más eficaz durante todo el proceso.

Este lanzamiento refleja nuestro compromiso constante con el análisis práctico y confiable para la mejora de la calidad, la optimización de procesos y la excelencia operativa. Nos enfocamos en desarrollar soluciones que ayuden a los equipos a resolver problemas complejos, tomar mejores decisiones e impulsar mejoras medibles.

Como siempre, los comentarios de los clientes son fundamentales para la evolución de nuestras soluciones. Agradecemos la colaboración y las valiosas aportaciones de las organizaciones que confían en Minitab a diario, y esperamos seguir ofreciendo funcionalidades que ayuden a los equipos a trabajar con mayor rapidez, confianza y eficiencia.