ChemDraw 26.3: mejoras en biopolímeros, HELM y gestión de estructuras

• Nuevas anotaciones en biopolímeros de oligonucleótidos, incluyendo la posibilidad de añadir información de sentido y antisentido directamente en el panel de propiedades.
• Mejoras en compatibilidad con cadenas HELM, ampliando la flexibilidad para trabajar con secuencias biológicas complejas.
• Optimización del manejo de SMILES mapeados por átomos, facilitando la interoperabilidad entre distintos formatos de representación molecular.
• Mejoras en la experiencia de edición de secuencias, con ajustes que simplifican la visualización y el trabajo con estructuras largas.

ChemDraw 26.4: mejoras en análisis, visualización y rendimiento

• Mejoras en el análisis in vitro, optimizando los flujos de trabajo relacionados con la interpretación de resultados experimentales.
• Avances en herramientas de visualización de datos, incluyendo mejoras en la generación de gráficos dentro de tablas y nuevas opciones de ajuste de curvas.
• Ampliación de capacidades en propiedades calculadas, ahora disponibles para sistemas más complejos como complejos proteicos.
• Mejoras generales de rendimiento y estabilidad, junto con corrección de errores para una experiencia más fluida y fiable.

Evolución continua de ChemDraw

Más información

El trabajo “Simulation-based design of supercapacitor energy storage for flexible wearable healthcare systems using COMSOL Multiphysics” [1] desarrollado por Huddar et al. y publicado en la revista “Next Materials” (Elsevier) demuestra cómo el modelado multifísico en COMSOL Multiphysics^® puede acelerar el diseño de sistemas de almacenamiento energético flexibles para aplicaciones biomédicas y en sector de la salud.

En este estudio se desarrolló un modelo de un supercapacitor flexible orientado a aplicaciones médicas. La Figura 1 muestra la geometría del modelo de supercapacitor junto con el mallado.

Figura 1. Geometría y mallado del supercapacitor

El trabajo combina transporte iónico, distribución de potencial eléctrico, conducción de corriente y análisis térmico para estudiar el comportamiento del dispositivo durante ciclos de carga y descarga. Para ello, se implementaron ecuaciones de Nernst–Planck, modelos de conducción eléctrica y correcciones de Bruggeman para medios porosos, permitiendo analizar fenómenos como la migración de iones, la formación de la doble capa eléctrica y la disipación térmica por efecto Joule. Además, el modelo permitió evaluar parámetros clave como capacitancia específica, densidad energética, densidad de potencia y estabilidad cíclica, mostrando el enorme potencial del diseño basado en simulación para optimizar dispositivos de almacenamiento energético miniaturizados destinados a sistemas biomédicos portátiles.

El estudio combina distintos módulos y capacidades de COMSOL Multiphysics^® para capturar el comportamiento electroquímico completo del supercapacitor:

• Electrochemistry / Batteries & Fuel Cells Module. Utilizado para modelar: transporte iónico, distribución de potencial eléctrico, dinámica de carga-descarga, formación de la doble capa eléctrica (EDL), y comportamiento electroquímico de los electrodos porosos.
• Transport of Diluted Species Module. Implementado para resolver las ecuaciones de Nernst–Planck y estudiar: difusión de especies iónicas (TEA⁺ y BF₄⁻), migración bajo campo eléctrico, y redistribución de concentración en el electrolito.
• Electric Currents / Electrostatics Physics. Aplicado para analizar: distribución de potencial eléctrico, densidad de corriente, caída óhmica, y conducción en electrodos y electrolito.
• Heat Transfer capabilities. El modelo también incorpora el análisis térmico mediante calentamiento Joule para La Figura 2 muestra la distribución del potencial eléctrico en el electrolito del supercapacitor obtenida con la simulación realizada en COMSOL Multiphysics®.: disipación térmica, generación de hotspots, y estabilidad térmica del dispositivo durante ciclos rápidos de carga-descarga.

Además, el estudio destaca el potencial del enfoque multiphysics-driven design para optimizar: geometrías porosas, transporte de carga, estabilidad cíclica, y miniaturización de sistemas energéticos para sensores biomédicos portátiles.

La Figura 2 muestra la distribución del potencial eléctrico en el electrolito del supercapacitor obtenida con la simulación realizada en COMSOL Multiphysics^®.

Figura 2. Geometría y mallado del supercapacitor.

Este trabajo es un excelente ejemplo de cómo COMSOL Multiphysics^® permite integrar fenómenos electroquímicos, eléctricos y térmicos dentro de un único entorno de simulación para acelerar el desarrollo de tecnologías energéticas avanzadas.

Referencias

[1] Huddar, Ananya V. Hampimath, Bipin S. Chikkatti, Ashok M. Sajjan, Nagaraj R. Banapurmath, Simulation-based design of supercapacitor energy storage for flexible wearable healthcare systems using COMSOL Multiphysics, Next Materials, Volume 12, 2026, 102043.

Retos iniciales y motivación

Integración de COSMOsuite y TURBOMOLE en el flujo de trabajo

Resultados y beneficios

• Reducir el número de ensayos experimentales: solo fue necesario trabajar con carvona, descartando otros terpenoides con menor probabilidad de éxito.
• Optimizar la sostenibilidad: la carvona, de origen natural, no bioacumulativa y fácilmente biodegradable, permitió reemplazar a otros disolventes orgánicos clásicos. Además, los resultados demostraron que era posible su reutilización durante ocho ciclos de extracción, manteniendo una eficiencia media del 98,1%.
• Minimizar el consumo energético y de recursos: las condiciones suaves de extracción optimizadas por el DOE (≈5,35 min de agitación a temperatura ambiente) alcanzaron eficiencias de extracción cercanas al 100%, incluso con relaciones fase orgánica/agua muy bajas.
• Resultados cuantificables: coeficientes de partición agua-carvona entre 2,5 y 6,4; eficiencia de extracción experimental global del 99,3% (siendo mayor del 99% para casi todos los bisfenoles) y entre el 98 y 100% en muestras reales de aguas contaminadas artificialmente a concentraciones de hasta 20 mg L⁻¹.

Perspectivas futuras

Conclusión

Referencias

Hemos ampliado el plazo de resúmenes para la Iberian COMSOL Multiphysics Conference 2026: envíe su abstract hasta el lunes 25 de mayo y presente su trabajo ante la comunidad de simulación multifísica.

• 🎤 Oral (15 min + Q&A) o 🖼️ póster (impresión a cargo de la organización).
• 📍 Málaga | 🗓️ 26/06/2026
• 👉 Envío e instrucciones: https://iberiancomsolconference.es/148448/detail/iberian-comsol-multiphysics-conference-2026.html

Por Alyssa Sarro.

Muchas organizaciones invierten considerablemente en la formación Lean Six Sigma (LSS). Los empleados obtienen la certificación Green Belt, algunos llegan a obtener la Black Belt, y existe un verdadero incentivo para fomentar una cultura centrada en la calidad y la mejora continua.

Pero hay una brecha que se repite una y otra vez. La gente recibe capacitación, se mantiene comprometida durante la misma e incluso algunos continúan aprendiendo. Sin embargo, aproximadamente 30 días después, ya no la utilizan, y esa certificación termina siendo vista más como una insignia que como una herramienta útil para el trabajo. Esto demuestra que el problema no radica en la capacitación en sí, sino en la rapidez con la que ese conocimiento se olvida cuando deja de formar parte del día a día.

La brecha entre la formación y el trabajo diario

En la mayoría de las organizaciones, los profesionales de Lean Six Sigma con certificación Green Belt o inferior constituyen la mayor parte de su personal. La realidad es que la mayoría de los ingenieros y equipos operativos no realizan análisis estadísticos a diario. Su prioridad es mantener los procesos en marcha, resolver problemas con rapidez y seguir adelante. Son eficaces en su trabajo y no se sienten bloqueados.

Lean Six Sigma termina quedando fuera del flujo de trabajo. Se convierte en algo para lo que se les capacitó, pero no en algo en lo que confían. Algunas organizaciones esperan que los empleados dediquen entre el 10% y el 25% de su tiempo a la mejora continua, pero el trabajo diario siempre tiene prioridad. El trabajo de mejora se retrasa y, con el tiempo, los hábitos adquiridos en la capacitación se desvanecen. ¿Dónde queda el tiempo para alejarse del trabajo diario e implementar algo nuevo?

Hablamos con aproximadamente 300 Master Black Belts, quienes nos comentaron que usan Minitab a diario y que no pueden realizar su trabajo sin él. Entonces, ¿cómo podemos cubrir esta necesidad? Los profesionales más capacitados técnicamente dependen de Minitab para tener éxito; imagínese el nivel de optimización que su organización podría alcanzar si miles de ingenieros y green belts sintieran la misma motivación para adoptar LSS.

¿Por qué la adopción de Lean Six Sigma presenta dificultades?

Retrocedamos un paso. Para muchos empleados, las herramientas Lean Six Sigma no parecen necesarias para realizar su trabajo. Han tenido éxito sin ellas, por lo que usarlas puede parecer un paso adicional en lugar de una mejora del proceso, y ahí es precisamente donde se produce el fracaso de su adopción: antes incluso de que comience.

Cuando no se utilizan estas herramientas, los equipos pierden información valiosa. Los patrones pasan desapercibidos, las causas raíz son más difíciles de identificar y los mismos problemas se repiten. En algunas organizaciones, hasta el 32 % de los problemas son recurrentes . Además, los equipos suelen trabajar de forma aislada, lo que dificulta aún más compartir información y prevenir la recurrencia de los problemas.

Integrar Lean Six Sigma en el día a día

Si Lean Six Sigma pretende consolidarse, no puede coexistir con el trabajo diario. Debe formar parte de él. Actualmente, muchos empleados perciben una separación entre sus responsabilidades y la mejora continua. Por un lado, está su trabajo, y por otro, el trabajo de mejora. Mientras persista esta división, la adopción seguirá siendo inconsistente.

El uso de datos y herramientas como Minitab debe sentirse como una parte natural de la resolución de problemas, no como una tarea adicional. Cuando se produce ese cambio, es más probable que las personas utilicen lo aprendido, ya que respalda directamente el trabajo que ya realizan.

Cómo se produce realmente la adopción

La adopción no se logra pidiendo a la gente que utilice Lean Six Sigma con más frecuencia, sino cambiando la forma en que lo experimentan en su trabajo.

Cuando los empleados empiezan a usar Minitab en situaciones reales y descubren lo que se habían estado perdiendo, su perspectiva cambia rápidamente. Comienzan a reconocer patrones, evitan problemas recurrentes y toman decisiones más acertadas. Es entonces cuando suelen empezar a recomendarlo. El reto consiste en lograr que lo utilicen por primera vez, sobre todo cuando están ocupados y no sienten la necesidad inmediata de cambiar su forma de trabajar.

De una simple certificación a la cultura empresarial

La mayoría de las organizaciones ya conocen Lean Six Sigma. Lo que les falta es coherencia en su aplicación. Esto solo se logra cuando Lean Six Sigma se integra en la toma de decisiones cotidiana. Cuando esto sucede, los equipos dedican menos tiempo a resolver los mismos problemas, el trabajo se vuelve menos fragmentado y la mejora deja de estar ligada únicamente a proyectos específicos.

Se convierte en parte del funcionamiento de su organización.

Mejoras continuas: Reciba actualizaciones de la biblioteca de matemáticas durante todo el año.

Maple 2026 incluye un nuevo enfoque para brindar mejoras continuas a la biblioteca a los usuarios de Maple entre las actualizaciones oficiales. Iniciadas a principios de 2025, las Actualizaciones de Soporte al Cliente de Maple son una serie continua de mejoras y correcciones a la biblioteca de Maple, diseñadas para brindar una respuesta rápida a los informes y solicitudes de los usuarios. Mediante estas actualizaciones, los usuarios de Maple pueden acceder a algunas de las últimas mejoras sin tener que esperar a la próxima versión completa o de mantenimiento. En Maple 2026, el paquete SupportTools ofrece una manera sencilla para que los usuarios de Maple instalen las últimas Actualizaciones de Soporte al Cliente cuando les convenga.

Por Agnes Ogee.

Cómo mejorar el flujo, la calidad y el rendimiento

La transformación digital en la fabricación suele abordarse desde una perspectiva estratégica, pero su impacto real se manifiesta en la planta de producción, donde los equipos deben lidiar con datos inconexos, visibilidad limitada y la necesidad de solucionar problemas de forma reactiva. ¿Qué métodos prácticos permiten la monitorización en tiempo real y la resolución de problemas de forma rápida y estructurada para impulsar mejoras de rendimiento cuantificables?

Una reciente visita Gemba a Poclain Hydraulics sro durante la Cumbre Lean de Checoslovaquia ofrece un ejemplo pragmático de cómo se produce este cambio en la práctica.

Mi colega Seb Saar y yo queremos agradecer a los miembros del equipo de Poclain Hydraulics sro que nos guiaron durante la visita Gemba: Kristyna Safarova, David Cerny, Zuzana Kubesova, Ondrej Osicka, Michal Cermak y Giovanni Baffoni.

El desafío: complejidad, variación y visibilidad limitada. Poclain se enfrentó a una transición de una producción de alto volumen y baja variedad a una de alto volumen y alta variedad. Esto generó mayor variabilidad, cambios de producción más frecuentes y una presión creciente sobre la calidad y el tiempo de actividad. Los niveles de calidad, junto con las paradas no planificadas, afectaban el flujo de producción. En esta etapa, estos factores pueden empezar a influir en los costos, la satisfacción del cliente y los retrasos. Sin una recopilación y un análisis de datos estructurados, las decisiones eran en gran medida reactivas. Los equipos se basaban en la experiencia en lugar de en un análisis coherente, lo que dificultaba abordar las causas fundamentales y prevenir problemas recurrentes. La solución: Digitalización de datos de máquinas, flujos de trabajo y resolución de problemas. El enfoque de Poclain se centró en mejorar la forma en que se toman las decisiones, fortaleciendo el papel de los datos en las operaciones diarias.

• Recopilación digital de datos en origen: Los operarios capturan datos en tiempo real directamente en la planta de producción, incluyendo el rendimiento de la maquinaria, el tiempo de inactividad, los defectos de calidad y los tiempos de ciclo. Esto ayuda a los equipos a comprender mejor el problema y garantiza que sus decisiones iniciales se basen en información consistente y fiable.
• Visibilidad en tiempo real para una actuación más rápida: Los paneles de control a nivel de máquina proporcionan acceso inmediato a la Eficiencia General de los Equipos (OEE), análisis de Pareto de las causas de fallos y alertas por desviaciones, como microparadas que superan los umbrales definidos. Cuando surgen problemas, los equipos pueden responder con rapidez, reduciendo los retrasos y limitando el impacto en las fases posteriores de la producción.
• Resolución estructurada de problemas en todos los niveles: Un procedimiento de escalamiento claro facilita la resolución coherente de problemas. Los operadores abordan los problemas inmediatos, los jefes de equipo ayudan a identificar la causa raíz y los equipos de calidad realizan análisis más profundos cuando es necesario. Esta estructura refuerza la resolución repetible de problemas y reduce la variabilidad en su manejo.
• Instrucciones de trabajo digitales y estandarizadas: Los operarios acceden a instrucciones paso a paso mediante flujos de trabajo activados por código de barras. Esto mejora la velocidad de cambio de formato, reduce los errores y garantiza una ejecución uniforme, algo especialmente importante en entornos con alta variedad de productos, donde la variación es constante.

Implementación: construir un sistema que los equipos puedan usar realmente.

Durante la visita Gemba, el gerente de ingeniería y mantenimiento mencionó que la transformación digital aporta valor cuando acelera o automatiza una operación que funciona correctamente. En Poclain, esto incluye un fuerte enfoque en la capacitación, la gestión visual de las prácticas Lean y el seguimiento constante de los indicadores clave de rendimiento (KPI) de producción y calidad.

Un cambio importante fue pasar de la resolución aislada de problemas a la captura y reutilización del conocimiento. Las causas raíz, las acciones y los resultados se documentan y comparten, lo que permite que las mejoras se extiendan a todos los equipos y evita que se repitan los mismos problemas.

Este ejemplo refuerza una serie de principios prácticos. La digitalización facilita la toma de mejores decisiones cuando se basa en necesidades operativas reales. Los datos en tiempo real permiten una actuación más rápida y segura. La resolución estandarizada de problemas reduce la necesidad de solucionar problemas puntuales y mejora la coherencia. La recopilación de conocimientos garantiza que las mejoras sean sostenibles y repetibles. La visibilidad entre equipos fortalece la alineación y el rendimiento general.

¿Cómo se transforman los datos de fabricación en acciones concretas?

Muchas organizaciones ya recopilan grandes cantidades de datos, pero tienen dificultades para convertirlos en acciones concretas. El progreso comienza con un enfoque estructurado que vincule los datos con las decisiones.

Esto incluye recopilar los datos correctos al nivel adecuado, prepararlos para el análisis y aplicar técnicas analíticas para identificar las causas raíz y los factores clave. Posteriormente, es necesario compartir la información obtenida mediante paneles de control claros e integrarla en los flujos de trabajo diarios para que los problemas se resuelvan rápidamente cuando surjan.

Con las herramientas y la metodología adecuadas, los equipos pueden pasar de operaciones reactivas a una gestión del rendimiento proactiva y basada en datos.

Dé el siguiente paso

Si su objetivo es mejorar la visibilidad en todos los procesos de fabricación, reducir los tiempos de inactividad y los problemas de calidad, y facilitar una toma de decisiones más rápida en la planta de producción, el siguiente paso es replantearse cómo fluyen los datos a través de su organización.

Minitab ayuda a conectar la recopilación, preparación, análisis y visualización de datos en un enfoque estructurado que facilita la toma de mejores decisiones en todos los niveles. Al hacer que los datos complejos sean más fáciles de comprender y utilizar, los equipos pueden identificar cuellos de botella, resolverlos con mayor rapidez y demostrar un impacto empresarial cuantificable.

Modelar calentamiento por inducción en materiales magnéticos es un reto de doble no linealidad: la permeabilidad magnética cambia con el campo H (curva B-H), y además toda esa curva se transforma con la temperatura, hasta que al superar la temperatura de Curie el material pierde completamente su carácter magnético. Ignorar cualquiera de estas no linealidades compromete seriamente la precisión del modelo.

¿Cómo gestionar esta complejidad en COMSOL Multiphysics^®? Un reciente post publicado en el blog de COMSOL trata esta cuestión [1].

El enfoque Frequency-Transient separa las dos escalas temporales del problema: los campos EM se resuelven en frecuencia, y el campo térmico en el tiempo. Las no linealidades magnéticas se capturan mediante curvas B-H efectivas, calculadas a partir de datos experimentales o mediante expresiones analíticas cuando esos datos no están disponibles. La interfaz Magnetic Field Formulation resuelve directamente en H, haciéndola especialmente robusta frente a estas no linealidades fuertes.

Para acelerar la convergencia sin sacrificar precisión, el operador nojac() evita la diferenciación simbólica en la relación B-H, reduciendo el coste por iteración. Se utiliza un solver “Frequency-Transient”, que por defecto empleará una estrategia de resolución segregada. El campo magnético se resuelve utilizando un solver directo, y este es un excelente caso para probar el nuevo NVIDIA CUDA® direct sparse solver (NVIDIA CuDSS) si se dispone de una tarjeta gráfica adecuada [2].

La Figura 1 muestra el ejemplo (representándose la permeabilidad relativa) de un caso de este tipo, modelizado y simulado en COMSOL Multiphysics^® y que se basa en un canal cuadrado de acero calentado mediante una bobina de tres espiras. Puedes encontrar el modelo tutorial en la galería de aplicaciones de COMSOL.

Figura 1. Permeabilidad relativa efectiva, que se ve afectada por la intensidad del campo y la temperatura.

Referencias

[1] W. Frei. COMSOL Blog: “Inductive Heating of Temperature-Dependent Magnetic Materials”. https://www.comsol.com/blogs/inductive-heating-of-temperature-dependent-magnetic-materials
[2] COMSOL Blog: “Faster Simulation with NVIDIA GPU Support for COMSOL Multiphysics®”. https://www.comsol.com/blogs/faster-simulation-with-nvidia-gpu-support-for-comsolmph
[3] COMSOL Application Gallery: https://www.comsol.com/model/inductive-heating-of-parts-with-temperature-nonlinear-bh-curves-150261

Operaciones más rápidas: Muchas operaciones comunes, como la resolución de sistemas polinómicos y los cálculos con unidades, son significativamente más rápidas.

Las mejoras de rendimiento en Maple 2026 incluyen:

• El rendimiento de los cálculos que implican cantidades con unidades ha mejorado notablemente en Maple 2026, especialmente en comparaciones, operaciones por partes y operaciones básicas.
• La inicialización del vector de punto flotante por hardware se ha optimizado aún más.
• La resolución de algunos sistemas polinomiales es más rápida gracias a un nuevo subalgoritmo en Groebner [ RationalUnivariateRepresentation ]. Este comando, que es invocado por comandos de Maple de nivel superior, utiliza computación paralela y es considerablemente más rápido para sistemas grandes.

Minicursos en la Conferencia COMSOL

¡Le invitamos a asistir a la Conferencia COMSOL 2026 en Cambridge! Acompáñenos del 23 al 25 de septiembre en Churchill College para reunirse cara a cara con líderes de la industria y ampliar sus habilidades en modelado y simulación.

En la conferencia, podrá elegir entre más de 20 minicursos impartidos por ingenieros de aplicaciones de COMSOL, que abarcan el modelado en una amplia gama de disciplinas de ingeniería. ¡Vea a continuación un adelanto de lo que puede esperar del minicurso de este año sobre modelado y simulación acústica!

Minicurso: Acústica

El módulo de acústica complementario para COMSOL Multiphysics^® permite a ingenieros y científicos modelar una gran variedad de fenómenos acústicos utilizando modelos y solucionadores acústicos especializados.

Esta sesión ofrecerá una visión general de las capacidades del Módulo Acústico, destacando las últimas funciones y características disponibles en el software. También veremos cómo configurar y analizar los resultados de una simulación sencilla de un sistema de silenciador.

¡Haz clic en el enlace de abajo para obtener más información sobre lo que ofrece la conferencia de este año!

Maple 2026.1 es una actualización de mantenimiento para Maple 2026. Contiene correcciones y mejoras para Maple 2026 en diversas áreas, entre las que se incluyen:

• Mejoras de accesibilidad
  
  • Compatibilidad ampliada con la navegación por teclado en todo el producto.
  • Compatibilidad mejorada con lectores de pantalla
  • Se ha añadido un acceso directo al modo de accesibilidad en el menú Inicio de Windows.
• Se ha añadido la opción de excluir el contenido de la hoja de cálculo del procesamiento del Asistente de IA.
• Mejoras en el rendimiento y la usabilidad de la función Explorar.
• Mejoras adicionales a la nueva funcionalidad Plotting Themes introducida en Maple 2026.
• Se corrigió un problema que, en algunos casos, impedía que los usuarios con caracteres especiales en su nombre de usuario de Windows utilizaran el Asistente de IA.
• Mejoras en el motor matemático, incluyendo las funciones sum, evala y dsolve/numeric.

Obtener la actualización

En Maple 2026, desde el menú Herramientas, seleccione Buscar actualizaciones y siga las instrucciones.

Si esa opción aparece atenuada, significa que la función "Buscar actualizaciones" no está habilitada. En su lugar, puede descargar la actualización haciendo clic en el enlace que aparece más abajo.

Por Alyssa Sarro.

Por qué la configuración de la simulación ralentiza a los equipos

Crear un modelo de simulación puede parecer un proyecto en sí mismo. Trazar los procesos, definir la lógica y asegurar que todo se conecte correctamente suele llevar tiempo, especialmente para equipos nuevos en simulación o que trabajan con plazos ajustados.

Cuando la configuración tarda demasiado, el análisis se retrasa. Los cuellos de botella persisten y se pierden oportunidades para mejorar el rendimiento.

Las últimas actualizaciones de Simul8 se centran en simplificar la creación y el uso de modelos. Gracias a las funciones de Creación rápida y Plantillas guiadas, los equipos pueden pasar de la ideación a la implementación con mayor rapidez, sin sacrificar la precisión ni la estructura.

Creación rápida: una forma más sencilla de crear modelos.

¿Y si la parte que más tiempo consume en la configuración de la simulación dejara de ser un obstáculo? Quick Build elimina uno de los mayores impedimentos: la configuración del modelo.

En lugar de dibujar diagramas de flujo o escribir lógica compleja, los usuarios ahora pueden crear simulaciones introduciendo los detalles del proceso en cuatro tablas estructuradas: llegadas, actividades, rutas y recursos. Una vez definidas, Simul8 genera automáticamente un modelo funcional.

Si puedes describir tu proceso, puedes simularlo. Este enfoque reduce significativamente el tiempo de configuración, ya que te permite pasar del concepto al modelo en minutos, al tiempo que refuerza los fundamentos esenciales de la simulación.

Este enfoque simplifica todo el proceso de configuración, a la vez que refuerza los fundamentos de la simulación. No solo es más rápido, sino también más claro, especialmente para quienes tienen poca experiencia en simulación. Los usuarios reciben orientación sobre los componentes esenciales durante el proceso de construcción, lo que reduce la probabilidad de omitir pasos o de configurar incorrectamente la lógica.

Para los equipos que desean validar ideas rápidamente o iterar cambios en los procesos, Quick Build proporciona una vía directa para pasar del concepto al modelo.

Plantillas guiadas: Mejore la forma en que evalúa los cuellos de botella y la capacidad de fabricación.

Para los equipos que buscan una mayor orientación, las plantillas guiadas ofrecen un punto de partida práctico basado en escenarios de fabricación reales.

Cada plantilla guía a los usuarios a través de un enfoque de modelado estructurado, definiendo el proceso, analizando el comportamiento del sistema e interpretando los resultados. En lugar de partir de cero, los equipos pueden seguir un camino claro y paso a paso que refleja cómo se aplica la simulación en la práctica.

Esta guía ayuda a los equipos a ir más allá de la simple creación de modelos y a generar información útil para la toma de decisiones, incluyendo la identificación de cuellos de botella, limitaciones de capacidad, cambios en la plantilla y posibles inversiones. Los resultados se presentan de forma clara y comprensible, lo que permite a los equipos avanzar con confianza.

Al combinar escenarios realistas con instrucciones estructuradas, las plantillas guiadas hacen que la simulación sea más accesible al tiempo que refuerzan las mejores prácticas.

Reducir la complejidad, aumentar la confianza

La simulación es más valiosa cuando es fácil de iniciar y genera confianza. La función de Creación Rápida acelera la creación de modelos al simplificar la construcción de simulaciones, mientras que las Plantillas Guiadas generan confianza al mostrar a los usuarios cómo aplicar la simulación a desafíos del mundo real. En conjunto, estas funciones reducen el tiempo de configuración y permiten centrarse más en el análisis y la mejora.

Tanto si su equipo es nuevo en la simulación como si busca ampliar su uso a toda la organización, estas funciones facilitan el inicio y el avance con claridad.

Porque el valor de la simulación reside en las decisiones que posibilita.

Desde hoy Minitab Statistical Software (tanto la versión web como la de escritorio) dispondrá de

• Gráficos de Control interactivos. Ahora permite explorar los gráficos de control de subgrupos, individuos y atributos de forma más eficaz gracias a la navegación interactiva y una mayor consistencia visual, lo que facilita y agiliza la detección de patrones y causas especiales.
  • Gráficos de variables para individuos y subgrupos
  • Gráficos de atributos

Minitab Statistical Software (solo versión de escritorio)

• Mejoras de Abrir desde el Repositorio.
• Mejora en el flujo de trabajo de edición para gráficos creados desde el menú de Gráficos (excluyendo Graph Builder).
• Edición de etiquetas del Constructor de Gráficos: Los usuarios ahora pueden modificar el número de decimales que se muestran para las etiquetas de líneas de referencia en gráficos producidos desde el Constructor de Gráficos.
• Estudio de Gage Tipo 2 Soporte VDA 5: Los estudios de R&R de Gage ahora respaldan los estándares VDA 5 de la Asociación Alemana de la Industria Automotriz.
• Distribución Normal Plegada añadida al Análisis de Capacidades No Normales y al Sixpack de Capacidades No Normales.
• Mejoras en la tabla interactiva de variabilidad añadida al Graph Builder.
• Incremento de la magnitud máxima de datos desde 1e+18 a 1e+30.

Módulo de Análisis Predictivo

• Optimización de respuestas múltiples en análisis predictivo: En el Módulo de Análisis Predictivo, ahora se puede optimizar simultáneamente la configuración de predictores en múltiples respuestas y tipos de modelos, incluyendo TreeNet®, Random Forests® y modelos MARS®.

Minitab Data Center (solo versión web)

• Combinar conjuntos de datos: Combina múltiples conjuntos de datos usando Join y Union.
• Transponer conjuntos de datos: Reorganizar los datos convirtiendo filas en columnas y columnas en filas.

Minitab DOE by Effex (Minitab Solution Center Core, Analytics, Copilot - solo aplicación web)

• Minitab DOE de Effex introduce capacidades avanzadas de diseño experimental y optimización basadas en la nube, incluyendo diseños OMARS® propietarios y uno de los catálogos de diseño más extensos de la industria. Esta función puede activarse en la suscripción.

Preferencias de despliegue de aplicación de escritorio:

• Manual - Elija Manual si prefiere controlar cuándo los usuarios finales reciben actualizaciones de software. Será responsable de distribuir la aplicación de escritorio a su lado
• Automático - Elija Automático si prefiere que todos los usuarios de escritorio puedan instalar actualizaciones por sí mismos. Si no se les pide a los usuarios que actualicen la actualización, pueden descargar la última versión de la aplicación de escritorio Minitab Statistical Software desde la página de licenciamiento de Minitab.

Puede gestionar sus preferencias de despliegue desde esa misma página de licenciamiento.

Minitab Engage (solo aplicación web)

• Ahora los usuarios pueden elegir un campo de texto como variable de agrupación para los resúmenes del panel de control.
• Ahora los usuarios pueden incluir datos de fases del flujo de trabajo en los informes del panel de control. Para empezar a usar esta nueva función, que un arquitecto de datos cree y publique un sandbox después de que se actualice la suscripción.

Nota: Estas funciones no requieren una actualización en la aplicación de escritorio.

Por Pushkar Saraf.

La ingeniería es el arte de gestionar la complejidad. En Carnegie Mellon, aprendí que los grandes ingenieros manejan simultáneamente múltiples capas de requisitos, limitaciones y compensaciones, traduciendo ese modelo mental en sistemas que funcionan. Ya sea software, puentes o baterías, dependemos de los ingenieros para que el mundo sea confiable.

Sin embargo, al trabajar con herramientas avanzadas como COMSOL, esa capacidad mental suele verse mermada por la propia mecánica del software. Los ingenieros dedican horas a la limpieza de la geometría, a resolver problemas de mallado, a configurar las condiciones de contorno y a descifrar los errores del resolvedor. Estas tareas son necesarias, pero no son ingeniería, sino gestión de software.

En Cosmon, nos planteamos una pregunta sencilla: ¿Qué pasaría si dejáramos de lidiar con nuestras herramientas y volviéramos a centrarnos en resolver el problema? Para responder a esta pregunta, creamos Nexus, el primer agente de IA para ingenieros que fabrican productos físicos.

Poniendo a prueba a Nexus

Por supuesto, la "IA" es la palabra de moda de la década, y los ingenieros se muestran escépticos, con razón y profesionalidad. No queríamos crear un chatbot que escribiera poesía sobre física; queríamos un sistema que realmente entendiera física y pudiera usar herramientas como COMSOL junto con nosotros.

Para demostrarlo, probamos Nexus, nuestro agente de IA, con los problemas de simulación más comunes en ingeniería, los puntos de referencia clásicos que todo ingeniero reconoce (y que probablemente le han quitado el sueño). A continuación, presentamos cinco conclusiones de esas pruebas de validación:

Cerrando la brecha de traducción con transparencia

Los ingenieros están capacitados para pensar en términos de restricciones, cargas y ecuaciones físicas. Sin embargo, el software de simulación obliga a pensar en términos de nodos, elementos de malla y configuraciones del solucionador. Existe una brecha entre la intención del ingeniero y la ejecución del software, y ahí es donde la productividad se resiente.

Para visualizar algo tan simple como el estrés, a menudo hay que navegar por menús anidados, recordar nombres de variables específicos y modificar configuraciones complejas solo para que el gráfico se vea bien. Es un proceso de búsqueda de la configuración adecuada en lugar de una ingeniería de alto valor.

Al probar el modelo de llave inglesa, Nexus omitió por completo esta configuración manual. En lugar de tener que determinar qué subnodos agregar, el agente formuló automáticamente un plan que identificaba la configuración correcta, agregaba los nodos de deformación necesarios y establecía las unidades antes de ejecutar los gráficos a la perfección.

Habilitar la iteración rápida

La ingeniería no se trata de ejecutar una simulación una sola vez, sino de iterar. "¿Qué sucede si la pared está a 200 °C en lugar de 100 °C?" En una interfaz gráfica tradicional, cada iteración obliga a navegar de nuevo por el árbol del modelo, encontrar el nodo físico específico y actualizar manualmente los parámetros. Es un proceso lento que interrumpe el hilo de pensamiento.

El lenguaje natural transforma la iteración en una conversación. En nuestra prueba de transferencia de calor en 2D, con una sola instrucción, definimos las complejas condiciones de contorno mixtas: «aislamiento a la izquierda, temperatura fija en la parte inferior». Dado que la configuración se basa en texto, probar un nuevo escenario térmico no requiere navegar por menús; simplemente se modifica la frase y el agente reconfigura la física al instante.

Creatividad a la velocidad del pensamiento con el diseño generativo.

En los flujos de trabajo tradicionales, la exploración del diseño es tediosa. Si se quiere optimizar un disipador de calor, por ejemplo, normalmente hay que configurar manualmente barridos paramétricos, definir rangos de parámetros para la "densidad de aletas" y la "altura de las aletas", y luego dedicar horas al posprocesamiento de los datos para encontrar el equilibrio óptimo.

Retamos a Nexus a gestionar todo el ciclo de "Diseño de experimentos" para un disipador de chips AMD. El agente no solo ejecutó el modelo, sino que actuó como analista principal.

• El barrido: El agente configuró de forma autónoma un estudio paramétrico para probar tres configuraciones distintas: Mínima (100 aletas), Línea base (400 aletas) y Máxima (625 aletas).
• La conclusión: en lugar de simplemente devolver los datos brutos, Nexus generó una tabla comparativa e identificó el punto de rendimientos decrecientes. Destacó que aumentar el número de aletas de 400 a 625 (un incremento del 56 % en material/complejidad) solo produjo una disminución de la temperatura de 0,12 °C.

Esto permite a los ingenieros plantear preguntas de alto nivel, como "¿Merece la pena añadir más aletas?", y obtener una respuesta respaldada por datos de inmediato, lo que permite pasar de centrarse en la construcción del modelo a comprender las ventajas y desventajas del diseño.

Reduciendo el cuello de botella CAD-CAE

Existe una verdad incómoda en la simulación: la mayoría de los analistas de CAE no son diseñadores CAD. Son expertos en física, pero tener que interrumpir un análisis para abrir un software CAD, redibujar una pieza, exportarla y volver a importarla a COMSOL supone una enorme pérdida de productividad.

Desafiamos a Nexus a superar esta brecha de habilidades utilizando un modelo estándar de "Actuador Térmico". Comenzamos con una instrucción general: "Construye una geometría simple que se asemeje a un actuador térmico de dos brazos calientes". El agente actuó como diseñador, generando de forma autónoma la geometría inicial y ayudando a ejecutar el estudio de referencia.

Pero el verdadero poder residía en la iteración. Con tan solo proporcionarle una imagen que describía una actualización geométrica, el agente interpretaba la intención visual, colaboraba con el usuario para gestionar la modificación CAD directamente en el software, remallaba el dominio y ejecutaba un nuevo estudio. El resultado era una física completamente convergente en una pieza modificada, lograda sin que el ingeniero utilizara ninguna herramienta CAD específica.

Automatización de la “última milla” de la generación de informes de simulación

Uno de los mayores ladrones de tiempo en la simulación no es resolver los problemas físicos, sino elaborar un informe claro y compartible, adaptado a las especificaciones de las partes interesadas. Tradicionalmente, los ingenieros exportan documentos predefinidos desde el software o se ven obligados a revisar los resultados, exportar datos, formatear encabezados, resumir los resultados y buscar metadatos faltantes.

Nexus eliminó todo ese flujo de trabajo.

A partir de una sola instrucción, generó un informe técnico dinámico y personalizado que incluía la geometría, una descripción general de la simulación y los resultados del estudio acústico, todo ello organizado en formato .docx o .pdf. En lugar de recopilar la documentación a posteriori, los ingenieros obtienen un informe listo para compartir en el momento en que finaliza el estudio.

Esto transforma la elaboración de informes, que antes era una tarea manual , en un resultado automático , lo que permite a los ingenieros centrarse en la siguiente pregunta y no en el papeleo.

Es hora de replantearse la situación

La ingeniería no se trata solo de resolver problemas, sino de imaginar soluciones. Con agentes inteligentes que se encargan del trabajo repetitivo y minucioso, los ingenieros pueden finalmente centrarse en las preguntas importantes: "¿Qué pasaría si...?" y "¿Por qué no?". Al potenciar el juicio humano en lugar de sustituirlo, Nexus puede transformar la simulación, convirtiéndola de una tarea tediosa en un espacio para la creatividad y el descubrimiento.

Más herramientas de programación: Los nuevos comandos y opciones de bajo nivel simplifican el código y permiten ofrecer una experiencia más fluida a los usuarios de tu trabajo.

Los usuarios de Maple tienen acceso al mismo lenguaje de programación potente en el que está escrita gran parte de la biblioteca matemática de Maple. Algunas de las actualizaciones del lenguaje de programación en Maple 2026 incluyen:

• Ahora puede crear una base de datos vectorial, o almacén de vectores, utilizando el paquete VectorSearch.
• Maple 2026 introduce un nuevo tipo, variable, que resulta especialmente útil en combinación con indets o subsindets al extraer variables de una expresión.
• Un nuevo comando, FileTools:-SuggestName, ayuda a generar nombres de archivos de datos cuando se desea mantener las distintas iteraciones de los datos calculados en el mismo directorio a lo largo de varias ejecuciones.
• El mecanismo de conversión de tipos, que permite que un procedimiento acepte automáticamente muchas estructuras de datos mientras que en el código solo tiene que gestionar una, ahora proporciona mensajes de error más detallados al usuario para que le resulte más fácil llamar al procedimiento correctamente.