COMSOL Multiphysics^® y Fórmula E han anunciado una alianza plurianual por la que COMSOL pasa a ser el Socio Oficial de Multifísica del ABB FIA Formula E World Championship [1]. El anuncio llega en un momento clave para ambas organizaciones: la Fórmula E estrena su coche GEN4 en la temporada 2026-2027, y COMSOL Multiphysics^® v2027 se lanzará a finales de este otoño.

GEN4: una nueva era para la Fórmula E

La temporada 13 de la Fórmula E trae un salto técnico notable:

• Velocidad: hasta 335 km/h (208 mph), con 0 a 200 km/h en solo 4,4 segundos.
• Potencia: 600 kW en ATTACK MODE, un 71 % más de potencia base que el GEN3 Evo, y un 50 % más de potencia en modo carrera.
• Tracción total permanente: mejora la tracción y la gestión del par, y permite pasar de 0 a 100 km/h en torno a 1,8 segundos.
• Más energía disponible: 55 kWh para la carrera, un 43 % más que el GEN3 Evo. Con más potencia y más energía, la eficiencia en el despliegue y la recuperación pesa más que nunca.
• Sostenibilidad: es el primer coche de carreras 100 % reciclable o reutilizable, con al menos un 20 % de materiales reciclados en neumáticos, baterías, chasis y kit de potencia delantero.

El GEN4 competirá en dos formatos: el E-Prix, centrado en la gestión de la energía, y el E-Prix Unleashed, donde el coche se lleva al límite en algunos de los circuitos más conocidos del mundo.

COMSOL Multiphysics® v2027: velocidad, eficiencia y precisión

La nueva versión promete cálculos más rápidos, modelado a nivel de sistema y más herramientas para crear y desplegar simulaciones. Destacan dos novedades:

Electric Motor Module. Este nuevo módulo ofrece un entorno optimizado para modelar motores eléctricos y generadores, desde aplicaciones industriales hasta coches de calle. Permite evaluar rendimiento, rangos de operación, pérdidas, efectos de los materiales y fallos, tanto en 2D como en 3D (Figura 1), para optimizar eficiencia y aprovechamiento de materiales.

Figura 1. Un modelo 3D de un motor de flujo axial para un vehículo eléctrico, que ilustra las capacidades de modelado detallado de máquinas eléctricas del Electric Motor Module.

COMSOL Systems™. Este producto añade un entorno para analizar sistemas completos sin perder el detalle multifísico donde hace falta. Con una biblioteca de casi 5000 componentes listos para usar, es posible construir diagramas de circuitos eléctricos, diagramas de flujo de procesos y modelos de sistema basados en ecuaciones, y conectarlos con modelos multifísicos 1D, 2D o 3D.

En un coche como el GEN4, esto permitiría modelar el tren motriz eléctrico a nivel de sistema e incorporar modelos detallados del motor, la batería o el sistema de frenada regenerativa. Así se podría ampliar el foco sobre el motor para estudiar pérdidas electromagnéticas, generación de calor y efecto de la temperatura, sin perder la visión global del vehículo. La Figura 2 muestra un modelo de circuito eléctrico creado en COMSOL Systems™ acoplado a un modelo multifísico 3D detallado creado en COMSOL Multiphysics^®, que permite analizar conjuntamente la física a nivel de circuito y a nivel de componente.

Figura 2. Un modelo de circuito eléctrico creado en COMSOL Systems™ acoplado a un modelo multifísico 3D detallado creado en COMSOL Multiphysics®, que permite analizar conjuntamente la física a nivel de circuito y a nivel de componente.

Una alianza con objetivos compartidos

Tanto competir en la élite del motorsport eléctrico como desarrollar un buen producto de ingeniería exigen optimización y eficiencia. Por eso la alianza resulta beneficiosa para ambas partes: la Fórmula E presenta su coche más rápido sin renunciar a la eficiencia, y COMSOL ofrece nuevas capacidades para modelar máquinas eléctricas, analizar sistemas interconectados e investigar las interacciones multifísicas que determinan el rendimiento real.

Por separado, ambos son líderes que impulsan la innovación. Juntos, pueden acelerarla.

Referencia

[1] Post original (en inglés): Multiphysics Simulation Brings Fast, Reliable Innovation to Electric Motorsport, por Joseph Carew, COMSOL Blog (7 de octubre de 2026).

Por Joshua Zable.

Los sistemas de gestión de calidad se han convertido en la columna vertebral de los programas de calidad de la fabricación moderna. Organizan la documentación, respaldan el cumplimiento normativo y gestionan las acciones correctivas.

Sin embargo, muchos fabricantes aún tienen dificultades para responder a una pregunta crucial:

"¿Nuestro proceso de fabricación está estadísticamente bajo control?"

Esa pregunta no suele responderse únicamente con un sistema de gestión de calidad (SGC).

Requiere software de calidad estadística.

Ahí es donde Prolink QC-CALC y las soluciones de Minitab aportan un valor significativo.

¿Qué hace un SGC?

Un SGC (Sistema de Gestión de Calidad) está diseñado para estandarizar y gestionar los procesos de calidad.

Las capacidades típicas incluyen:

• Control de documentos
• CAPA
• Auditorías
• Calidad del proveedor
• Gestión de quejas
• Capacitación
• Calibración
• Gestión del cambio
• Gestión de riesgos
• Informes de cumplimiento

Estos sistemas son indispensables para gestionar operaciones de calidad.

Sin embargo, por lo general no están diseñados para realizar análisis estadísticos avanzados de procesos ni para automatizar la recopilación de datos de inspección de equipos de metrología. De hecho, incluso cuando ofrecen módulos de calidad para la recopilación de datos, no pueden gestionar el volumen ni el tipo de datos necesarios para el análisis.

¿Qué es Prolink QC-CALC?

Prolink QC-CALC es un software para la fabricación de recopilación de datos de calidad y control estadístico de procesos (SPC).

Recopila automáticamente datos de inspección de cientos de dispositivos de medición, entre los que se incluyen:

• Máquinas de medición por coordenadas (MMC)
• Sistemas de visión
• Manómetros con cables
• medidores inalámbricos
• Escáneres láser
• Dispositivos de medición portátiles
• Equipos de medición de superficies

En lugar de importar manualmente los resultados de las inspecciones a hojas de cálculo, QC-CALC recopila los datos automáticamente y los analiza de inmediato. No solo elimina la entrada manual de mediciones, sino que proporciona análisis SPC instantáneos y alertas en tiempo real. Puede generar informes de inspección, análisis de tendencias y se integra a la perfección con Minitab para ofrecer análisis personalizados realizados por Minitab.

Vea el vídeo para descubrir cómo Prolink permite la recopilación de datos en tiempo real

El ecosistema de calidad completo necesita soluciones de Prolink y Minitab

QC-CALC es excelente para recopilar y monitorear datos de calidad.

Minitab destaca por comprender por qué se produce la variación y por determinar cómo eliminarla.

Una vez que QC-CALC identifica un problema, Minitab proporciona capacidades analíticas avanzadas, como control estadístico de procesos, análisis de capacidad de proceso, análisis de sistemas de medición, diseño de experimentos (tanto clásicos como modernos), así como modelado predictivo como regresión y métodos de aprendizaje automático más avanzados.

Con la solución Simul8 de Minitab, simule una mejora propuesta para el proceso antes de implementarla, para asegurarse de que se está tomando la medida correcta.

Un sistema de gestión de calidad (SGC) con Minitab es una potente combinación

Los fabricantes obtienen los mejores resultados cuando los sistemas de calidad funcionan de forma conjunta.

Un SGC proporciona gobernanza y cumplimiento normativo.

Prolink QC-CALC proporciona información automatizada para la inspección.

Las soluciones de Minitab transforman los datos de calidad en información estadística que impulsa una mejora duradera de los procesos.

Si bien la documentación de calidad es esencial, los conocimientos sobre calidad son los que permiten a los fabricantes mejorar continuamente.

Al combinar un sistema de gestión de calidad (SGC) con las soluciones Prolink QC-CALC y Minitab, los fabricantes van más allá de documentar la calidad: obtienen la capacidad de comprenderla, predecirla y optimizarla.

Es el mismo agente de IA de Cosmon que ya conoce, ahora con capacidades más potentes para ayudarle a acelerar aún más su flujo de trabajo de diseño a producción.

Esto es lo nuevo en Argus:

• Capacidad de entrega: Argus entiende mejor la ingeniería y la intención de diseño con modelos más recientes como Claude Opus 5.5 y GPT-6 Astra, por lo que los entregables son más precisos y precisos.
• Flujos de trabajo, habilidades y SDK: Acelere su productividad escalando tareas repetitivas con "habilidades" y "flujos de trabajo", que pueden compartirse entre su equipo. Use el "SDK" para impulsar Argus desde su propio código, pila y agentes.
• Integraciones: Argus ahora se conecta con Onshape, Creo y 15 herramientas más de CAD, CAE y PLM, como NX, SolidWorks, CATIA y COMSOL.

Descubra cómo los laboratorios y equipos de I+D pueden acelerar el desarrollo de nuevos productos mediante un enfoque digital, predictivo y conectado. En esta guía conocerá cómo BIOVIA Formulation Design, integrado en la plataforma 3DEXPERIENCE®, ayuda a optimizar formulaciones, reducir los ciclos de ensayo y error, controlar los costes de las materias primas y garantizar el cumplimiento normativo desde las primeras etapas del diseño.

Además, encontrará información sobre simulación predictiva, gestión centralizada del conocimiento, trazabilidad de formulaciones, colaboración entre equipos de I+D, Calidad y Regulatory, así como la integración con las operaciones de laboratorio para crear un entorno de innovación más eficiente y conectado.

Descargue el documento y descubra cómo transformar el desarrollo de formulaciones en un proceso más rápido, inteligente y orientado a resultados.

La caracterización de la estructura porosa de los hidrogeles es fundamental para comprender sus propiedades de transporte. Sin embargo, obtener una representación cuantitativa de esta microestructura puede resultar especialmente complejo cuando se trabaja con materiales blandos y completamente hidratados.

Investigadores de la Brno University of Technology, Zhurauliova y sus colaboradores, combinan microscopía de fuerza atómica (AFM) y COMSOL Multiphysics^® para desarrollar un procedimiento de caracterización de la superficie de un hidrogel de agarosa. Sus resultados han sido publicados recientemente en la revisa “Materials Today” de Elsevier [1].

El procedimiento parte de una imagen de topografía obtenida mediante AFM sobre el hidrogel en estado completamente hidratado. La información experimental se incorpora posteriormente a COMSOL Multiphysics^® mediante el add-on Image to Curve, que permite transformar los contornos identificados en la imagen en una geometría computacional, como se muestra en la Figura 1.

Figura 1. Procedimiento para el procesamiento de imágenes de AFM de hidrogeles con el fin de calcular la fracción de área de poros y la permeabilidad aparente: a) Imagen de AFM original de la estructura del hidrogel, de 9×9 μm; b) Segmentación de los poros con los bordes marcados (líneas verdes) mediante el complemento Image to Curve en COMSOL Multiphysics®.

La Figura 2 muestra las condiciones de contorno aplicadas en el modelo de COMSOL Multiphysics^®.

Figura 2. condiciones de contorno aplicadas en el modelo de COMSOL Multiphysics®.

A partir de esta geometría bidimensional se utiliza la interfaz física Creeping Flow, basada en las ecuaciones de Stokes, para analizar el transporte a través de las regiones identificadas como poros. Los resultados del campo de velocidades y del gradiente de presión permiten calcular, mediante la ley de Darcy, un descriptor de permeabilidad aparente.

La fracción de área de poros obtenida mediante COMSOL Multiphysics^® fue aproximadamente 0,75, frente a 0,81 obtenida mediante ImageJ a partir de la misma imagen AFM. Además, se obtuvo una permeabilidad aparente del orden de 3 × 10⁻¹⁵ m².

Uno de los aspectos más interesantes del trabajo es precisamente la conexión entre caracterización experimental y modelización numérica: en lugar de construir una geometría idealizada del material, la simulación parte directamente de una microestructura obtenida experimentalmente.

El trabajo constituye así un ejemplo de cómo COMSOL Multiphysics® puede utilizarse para incorporar datos experimentales directamente en un modelo numérico, facilitando el análisis cuantitativo de microestructuras complejas.

Referencia

[1] D. Zhurauliova, M. Pekař, J. Smilek, Evaluation of AFM-derived Pore Area Fraction and Apparent Permeability Using COMSOL Multiphysics, Materials Today Communications, 2026. DOI: 10.1016/j.mtcomm.2026.116253

La versión contiene las siguientes implementaciones:

• Modelos actualizados: Nuevos ejecutables EPA EE.UU. AERMOD, AERMET, AERMINUTE & AERSURFACE (versión 26135).
• Versión actualizada de AERMOD Paralelo: AERMOD MPI ha sido actualizado para la versión 26135.
• Archivos de emisiones por hora: Soporte para múltiples archivos de emisiones por hora en un solo proyecto y una utilidad Creador de Archivos de Emisiones por Hora completamente actualizada.
• Principales mejoras en la vista AERMET: Incluyendo nuevo soporte para formatos de datos de superficie GHCNh, cálculos de rugosidad superficial basados en anillos y otras actualizaciones de la interfaz.
• Notas adicionales: Revise las notas completas de la versión para una lista detallada de todos los cambios.

Por Alyssa Sarro.

Antes, el aprendizaje automático requería que los equipos escribieran código, probaran algoritmos manualmente y dedicaran mucho tiempo a ajustar modelos individuales para adaptarlos a las necesidades específicas del negocio. El aprendizaje automático de bajo código y el aprendizaje automático automatizado (AutoML) están transformando esta experiencia al hacer que el modelado predictivo sea más accesible y reduciendo pasos monótonos.

Simplificar el desarrollo de modelos requiriendo menos código no facilita todas las etapas de la implementación del aprendizaje automático. Las organizaciones aún deben preparar sus datos, validar si un modelo tiene sentido práctico, integrarlo en los sistemas operativos y gestionar su rendimiento a lo largo del tiempo.

¿Qué son Low-Code ML y AutoML?

Aunque los términos se utilizan a menudo juntos, no son intercambiables.

El aprendizaje automático de bajo código se refiere a plataformas y flujos de trabajo que reducen la programación necesaria para desarrollar y utilizar modelos de aprendizaje automático. Las interfaces guiadas permiten que analistas, ingenieros y expertos en la materia participen sin tener que programar cada componente desde cero.

El aprendizaje automático automatizado, o AutoML, automatiza tareas de modelado específicas. Dependiendo de la plataforma, esto puede incluir probar algoritmos, ajustar modelos, comparar el rendimiento y recomendar un candidato prometedor.

En términos sencillos, el enfoque low-code describe cómo interactúa una persona con la tecnología; AutoML describe el trabajo de modelado que la tecnología realiza automáticamente. Ambos pueden acelerar el análisis, pero ninguno automatiza todas las decisiones relacionadas con un modelo.

¿Cómo funciona AutoML con Minitab?

El módulo de analítica predictiva de Minitab muestra cómo AutoML puede ayudar tanto a profesionales principiantes como a expertos.

Para un resultado binario, por ejemplo, si una unidad fabricada pasará la inspección, la herramienta Descubrir el Mejor Modelo de Minitab puede comparar la regresión logística binaria, CART®, la clasificación TreeNet® y la clasificación Random Forests®. En lugar de construir cada modelo de forma independiente, los usuarios pueden comparar su rendimiento utilizando criterios como el área bajo la curva ROC.

Imaginemos a un fabricante intentando predecir si un lote de producción no superará la inspección final. El equipo dispone de datos históricos sobre materiales, proveedores, configuración de equipos, temperatura, presión, humedad y resultados de las inspecciones. AutoML puede evaluar varios enfoques e identificar rápidamente el más adecuado.

Se trata de un avance significativo, pero no es el final del proyecto. Los expertos en procesos deben determinar si las relaciones del modelo tienen sentido físico y operativo. El equipo debe verificar que sus datos representen las condiciones de producción reales y que los datos de entrada necesarios estén disponibles al realizar las predicciones. Posteriormente, los responsables técnicos deben conectar el modelo con los sistemas y flujos de trabajo donde se toman las decisiones.

Aquí es donde el conocimiento del dominio se vuelve esencial. Una variable puede mejorar el rendimiento predictivo histórico, pero aun así ser inapropiada para la producción porque es difícil de medir, aparece demasiado tarde en el proceso o refleja una correlación sin una explicación operativa plausible. Un resultado estadístico sólido también debe superar una revisión práctica.

Por qué un modelado más rápido no siempre significa una implementación más rápida

Esta distinción es fundamental en el reciente informe de G2, State of Low-Code Machine Learning in 2026: Why Deplyment Takes 4.5 Months. Basándose en más de 3400 reseñas verificadas en diversas categorías de aprendizaje automático, G2 descubrió que las plataformas de aprendizaje automático de bajo código tardaban un promedio de 4,5 meses en ponerse en marcha. Las empresas encuestadas reportaron un promedio de 5,47 meses.

Minitab fue uno de los cuatro proveedores que contribuyeron a la investigación. Los proveedores coincidieron en general sobre las principales causas de retraso: la disponibilidad de los datos, la integración con los sistemas de producción y los procesos organizativos, y no solo la construcción del modelo.

El informe también revela una aparente contradicción. Minitab y otros dos proveedores participantes informaron que AutoML puede reducir el tiempo de implementación en más del 75 %, mientras que los datos de revisión por categorías de G2 no mostraron la misma reducción. En lugar de descartar cualquiera de los hallazgos, las organizaciones deberían preguntarse qué incluye cada medición y dónde se generan los ahorros mediante la automatización.

Los resultados ponen de manifiesto una diferencia crucial en la medición. La automatización del desarrollo de modelos puede reducir el tiempo necesario para probar algoritmos, refinar modelos y comparar resultados. Un cliente que mide el tiempo total de puesta en marcha también tiene en cuenta la preparación de datos, las revisiones de gobernanza, la integración del sistema, los cambios de proceso y la adopción por parte de los usuarios.

Estas actividades varían significativamente según la organización y el caso de uso. Un equipo pequeño que trabaje con datos accesibles y bien preparados puede avanzar rápidamente. Una empresa global que opere en múltiples sistemas, grupos de aprobación y entornos regulados puede requerir una coordinación mucho mayor, incluso cuando el desarrollo del modelo en sí sea eficiente.

Puede que el modelo esté listo, pero la organización no.

Las responsabilidades que AutoML no elimina

Aquí es donde la supervisión humana en el aprendizaje automático cobra importancia. Las organizaciones pueden prepararse tratando AutoML como una parte de un ciclo de vida analítico más amplio:

• Disponibilidad de los datos: ¿Los datos son completos, representativos, fiables y relevantes?
• Validación del dominio: ¿Las relaciones del modelo tienen sentido práctico y sus predicciones son aplicables?
• Integración operativa: ¿Puede el modelo conectarse con los sistemas y flujos de trabajo donde se toman las decisiones?
• Gestión del ciclo de vida: ¿Quién supervisará, gestionará, actualizará o sustituirá el modelo a medida que cambien las condiciones?

Minitab Model Ops facilita la transición desde la creación del modelo a la producción mediante la implementación, la monitorización del rendimiento, la evaluación de la estabilidad y la desviación, el control de acceso y la gobernanza. Estas capacidades son fundamentales porque la implementación no es el punto final. Un modelo de producción se convierte en una responsabilidad organizacional continua.

Esa responsabilidad debe asignarse antes de la implementación. Los equipos necesitan criterios claros para un rendimiento aceptable, respuestas definidas cuando el rendimiento disminuye y un acuerdo sobre quién puede aprobar los cambios en el modelo. Estas decisiones no pueden delegarse a un algoritmo a posteriori.

La automatización y la experiencia funcionan mejor juntas

AutoML puede facilitar la participación de más personas en el análisis predictivo, al tiempo que permite a los profesionales experimentados centrarse en la validación, la implementación y la supervisión. Su mayor valor no reside en excluir a las personas del proceso, sino en permitirles contribuir donde su criterio es más importante.

El futuro del análisis predictivo no reside en elegir entre automatización y experiencia. Se trata de combinar tecnología accesible con el criterio humano y la disciplina operativa necesarios para convertir un modelo prometedor en una decisión empresarial fiable.

La automatización acorta el proceso de modelado; no elimina la responsabilidad que rodea al modelo.

La forma en que se visualizan los resultados de una simulación puede influir significativamente en su interpretación. En uno de los últimos artículos de su blog oficial, COMSOL Multiphysics^® analiza diferentes tablas de color diseñadas para facilitar una lectura más clara de los resultados, especialmente para usuarios con deficiencias en la percepción del color [1].

El uso de mapas de color tradicionales, como los basados en el arcoíris, puede dificultar la identificación de determinadas diferencias y gradientes. Para evitarlo, COMSOL Multiphysics^® incluye varias tablas de color accesibles y perceptualmente uniformes, como Cividis, Viridis, Inferno, Magma y Plasma. Estas tablas están diseñadas de manera que cambios similares en los valores de los resultados se correspondan con cambios visuales similares en el color, facilitando así la interpretación de los resultados.

La elección de la tabla de color puede adaptarse al tipo de resultado que se desea representar. Por ejemplo, Viridis y Cividis pueden utilizarse para visualizar tensiones, deformaciones, presiones, velocidades o concentraciones. Inferno y Magma son especialmente apropiadas para representar distribuciones de temperatura y gradientes térmicos, mientras que Plasma puede utilizarse para magnitudes de campos eléctricos o magnéticos y densidades de corriente.

COMSOL Multiphysics^® también permite utilizar la tabla GrayScale cuando el tono de color no debe influir en la interpretación y se quiere destacar principalmente la intensidad del resultado. Sin embargo, debido a que el ojo humano distingue un número limitado de niveles de gris, esta opción puede resultar menos adecuada para representar diferencias pequeñas. Además, como se muestra en la Figura 1, las tablas pueden modificarse mediante opciones como Reverse, Nonlinear y Nonlinear symmetric. Esto permite mejora la visualización de los resultados, como se puede observar en la Figura 2 para el ejemplo del estrés de Von Missess en un soporte. Desde COMSOL Multiphysics 6.1 también es posible crear y utilizar tablas de color personalizadas.

En definitiva, la elección de una tabla de color no es únicamente una cuestión estética, sino que puede afectar a la forma en que se perciben e interpretan los resultados de una simulación. El uso de tablas accesibles y perceptualmente uniformes permite mejorar la legibilidad de las visualizaciones y facilita una interpretación más clara y precisa de los resultados.

Figura 1. Diferentes opciones de transformación de tabla de colores en COMSOL Multiphysics®.

Figura 2. La tensión de von Mises entre corchetes sin aplicar transformación de tabla de colores (izquierda). La tensión de von Mises entre corchetes con la transformación de tabla de colores no lineal aplicada (derecha).

Referencias

El desempeño en materia de calidad ahora depende de algo más que inspecciones e informes. Depende de la visibilidad en tiempo real, el contro estadístico y la capacidad de medir el impacto en toda la empresa.

El riesgo para la calidad no comienza en la auditoría. Comienza en el proceso. Los entornos de fabricación generan enormes volúmenes de datos operativos y de inspección. Sin embargo, en muchas organizaciones, esos datos permanecen fragmentados en hojas de cálculo, máquinas y sistemas desconectados. Cuando la visibilidad se retrasa, la variación se agrava. Cuando la documentación es manual, el cumplimiento se relentiza. Cuando se aíslan los análisis, la resolución de la cusa raíz lleva más tiempo del que debería.

Cuando los sistemas están fragmentados, el riesgo se multiplica

Una que supervise continuamente el rendimiento en lugar de reconstruirlo a posteriori. Necesita soluciones que le ayuden a:

El rendimientode calidad empresarial requiere una infraestructua a nivel de sistema.

Los fabricantes más resilientes operan con información en tiempo real sobre la estabilidad del proceso. No se basan únicamente en controles al final de la línea de producción ni en revisiones periódicas. Desarrollan sistemas que detectan las desviaciones de calidad en el momento en que ocurren.

El modelo tradicional: Entrada manual de datos Inspección de final de línea Informes estáticos Herramientas desconectadas Análisis de causa raíz posterior al evento

La fábrica del futuro: Captura de datos automatizada Monitorización de procesos en tiempo real Paneles de control y alertas en tiempo real Ecosistema de análisis centralizado Detección predictiva de variaciones

Sistemas coordinados para un desempeño de calidad medible

1. Recopilar y centralizar datos

Recopile automáticamente datos de inspección y de proceso de máquinas, PLC, medidores y sistemas de laboratorio para crear una base centralizada para el rendimiento de la calidad de fabricación.

La coherencia de los datos permite una visibilidad a nivel empresarial de la estabilidad de los procesos y las tendencias de rendimiento.

2. Monitoreo en tiempo real

Los gráficos de control, los paneles de control, las alertas y las herramientas de trazabilidad detectan las desviaciones antes de que se conviertan en defectos, lo que permite a los equipos proteger la capacidad del proceso y mantener un rendimiento estable con software SPC en tiempo real.

3. Analizar y predecir el riesgo

Mediante el uso de software avanzado de análisis estadístico , se emplean modelos estadísticos, análisis de causas raíz y análisis basados ​​en inteligencia artificial para identificar los factores que influyen en la variación y predecir la inestabilidad en todas las líneas de producción, turnos e instalaciones.

4. Demostrar y ampliar las mejoras

Las mejoras se comparan con parámetros de rendimiento predefinidos, lo que permite que tanto el personal operativo como la dirección ejecutiva vean los resultados.

Desde mañana día 23 de septiembre, hasta el próximo día 25, tendrá lugar la Conferencia COMSOL 2026 en el Churchill College de Cambridge

La conferencia de COMSOL es el lugar ideal para reunirse cara a cara con los íderes de la industria y ampliar sus habilidades en modelado y simulación.

Los usuarios de COMSOL Multiphysics y clientes de Addlink Software Científico podrán encontarse en la Conferencia con nuestro colaborador e ingeniero de soporte Alejandro Cifuentes, que estará presente durante el evento y podrá intercambiar ideas e impresiones con todos aquellos que lo deseen.

Aproveche la ocasión para conocer más sobre COMSOL Multiphysics y las novedades que incorporará en su nueva versión, conocer a los expertos, desarrolladores e ingenieros de simulación en este evento anual de gran interés para el mundo del modelado multifísico.

EXPERT SESSION 2026, el encuentro anual organizado por Dassault Systèmes reunirá a profesionales, directivos y expertos de distintos sectores para analizar cómo las tecnologías digitales están redefiniendo la innovación, la fabricación y la gestión empresarial. El evento se celebrará en el Hipódromo de la Zarzuela de Madrid y pondrá el foco en el papel de la Inteligencia Artificial Industrial y los Gemelos Virtuales en la transformación de la industria.

Durante la jornada, los asistentes podrán conocer experiencias reales y testimonios de compañías que están liderando proyectos de transformación digital e industrial, compartiendo casos de éxito, aprendizajes y tendencias que marcarán el futuro de los negocios.

Uno de los ejes centrales del encuentro será el impacto de la Inteligencia Artificial Industrial, integrada en los Gemelos Virtuales y en la plataforma 3DEXPERIENCE®, tecnologías que permiten optimizar los procesos de innovación, diseño, fabricación, operación y gestión de productos a lo largo de todo su ciclo de vida.

Además de las ponencias y sesiones de conocimiento, EXPERT SESSION 2026 ofrecerá oportunidades para establecer contactos profesionales, intercambiar experiencias y descubrir nuevas estrategias para mejorar la competitividad, la sostenibilidad y la excelencia operativa de las organizaciones.

Con esta nueva edición, Dassault Systèmes reafirma su compromiso con la digitalización de la industria, proporcionando un espacio de referencia para comprender cómo las tecnologías emergentes están acelerando la innovación y creando nuevas oportunidades de crecimiento para las empresas.

Las plazas son limitadas y la inscripción ya está abierta para todos los profesionales interesados en conocer de primera mano las tendencias que definirán la industria del futuro.

Por Oliver Franz.

Cualquiera que haya asistido a una revisión de proyecto después de una costosa prueba conoce el incómodo momento en que alguien pregunta: "¿Qué aprendimos realmente?".

El equipo estaba ocupado, la gente esperaba, el material se consumía y, sin embargo, la respuesta aún podría ser que se necesita otro experimento antes de que alguien pueda elegir con seguridad la configuración de un proceso.

Ese momento pone de manifiesto una deficiencia en la forma en que se suele evaluar la eficiencia experimental. Los equipos suelen contabilizar las ejecuciones porque son visibles, pero el coste real reside en las preguntas sin respuesta sobre las interacciones, el comportamiento no lineal y el rango de operación. Un diseño de cribado compacto puede parecer económico en la fase de planificación, pero luego convertirse en la opción más costosa cuando debe ir seguido de otro estudio antes de que el proceso pueda avanzar.

Un artículo de Peter Goos, José Núñez Ares, Mohammed Saif Ismail Hameed y Maria Lanzerath ofrece una alternativa convincente. Goos y Núñez Ares cofundaron Effex, cuyo software de diseño experimental ahora está disponible como Minitab DOE by Effex, y su estudio publicado muestra cómo se utilizó un diseño de superficie de respuesta ortogonal mínimamente con alias (OMARS) de 24 ensayos y niveles mixtos para estudiar ocho factores que afectan la producción de una resina para un adhesivo de stent vascular.

En esencia, demuestra cómo un experimento cuidadosamente planificado puede reemplazar dos rondas de pruebas separadas, revelando tanto lo que importa como qué configuraciones de proceso tienen más probabilidades de funcionar.

La magnitud del proyecto convirtió la eficiencia experimental en algo más que una mera cuestión estadística. En WL Gore & Associates, un lote experimental de resina ocupaba una unidad de producción a gran escala durante aproximadamente 40 horas y tenía un coste de cinco cifras. Dado que solo era posible realizar una prueba experimental por semana, la secuencia habitual de cribado inicial y optimización mediante superficies de respuesta posterior podía consumir meses antes de que el equipo lograra un rango de parámetros de proceso utilizable.

¿Puede un solo Diseño de Experimentos (DOE) analizar factores y optimizar un proceso?

Un diseño OMARS bien seleccionado puede identificar factores influyentes, a la vez que proporciona la información necesaria para estudiar las interacciones, la curvatura y los entornos operativos prometedores.

Los diseños OMARS ocupan un lugar útil entre los diseños de cribado tradicionales y los experimentos de superficie de respuesta a mayor escala. Su estructura mantiene los efectos principales ortogonales entre sí y a los efectos de segundo orden, lo que ayuda a los ingenieros a separar la influencia directa de un factor de las interacciones y curvas que también pueden afectar la respuesta. Los diseños OMARS de niveles mixtos aportan flexibilidad, ya que los factores pueden estudiarse en dos o tres niveles, según se considere plausible un comportamiento no lineal.

Para el experimento con adhesivo para stents, expertos en procesos y estadísticos seleccionaron ocho factores cuantitativos que abarcan la polimerización, la coagulación, el lavado y el secado. A cinco factores se les asignaron tres niveles, ya que el conocimiento previo sugería que la curvatura podría ser relevante, mientras que a los otros tres se les asignó dos niveles. El equipo también priorizó las posibles interacciones, utilizando años de experiencia en procesos para enfocar el diseño sin asumir que los efectos inesperados fueran imposibles.

Minitab DOE de Effex proporcionó 81 diseños OMARS de 24 ejecuciones con la estructura factorial requerida. Los investigadores los compararon utilizando propiedades de potencia, aliasing y proyección, y finalmente seleccionaron un diseño sin aliasing perfecto entre las interacciones de dos factores.

El diseño seleccionado también se comparó favorablemente con los diseños de cribado definitivo de 22 y 26 ensayos. Ofreció mayor potencia para cinco de las siete interacciones de alta o media prioridad, mientras que su potencia para cuatro efectos cuadráticos fue de 0,48, en comparación con 0,27 y 0,29 para los diseños de referencia.

La lección práctica es que el número de ejecuciones por sí solo no mide el valor experimental. Lo que importa es si las ejecuciones que aparecen en el diseño experimental pueden ayudar a los ingenieros a responder sus preguntas y contribuir significativamente a determinar la siguiente decisión del proceso.

¿Qué valor comercial aportó el diseño OMARS de 24 ejecuciones?

El diseño de OMARS proporcionó a los ingenieros una dirección operativa práctica y la suficiente confianza como para comenzar las pruebas de robustez sin necesidad de realizar primero un experimento de optimización por separado.

El experimento monitorizó el índice de fluidez de la masa fundida tras la polimerización y las impurezas residuales al finalizar el proceso. El análisis indicó que era necesario utilizar menores cantidades de dos reactivos de polimerización para mantener el índice de fluidez dentro de las especificaciones, además de reducir la cantidad de ácido, aumentar la de base, disminuir las temperaturas de coagulación y lavado, y aumentar el número de ciclos de lavado para reducir las impurezas. Los modelos seleccionados también sugirieron una menor temperatura de secado.

Leyendo de izquierda a derecha, el gráfico muestra que tres enfoques de modelado diferentes para la impureza residual pueden discrepar sobre la forma de los efectos individuales, pero aun así converger en configuraciones casi idénticas, que es el acuerdo que un equipo necesita antes de comprometerse con la siguiente fase.

La fila superior muestra el índice de fluidez de la masa fundida, mientras que las filas inferiores presentan las predicciones de impurezas residuales obtenidas mediante tres modelos diferentes. Las líneas discontinuas indican la configuración seleccionada.

Para llegar a esa conclusión, el equipo comparó numerosos modelos plausibles en lugar de confiar en una sola ecuación. Los ingenieros también descartaron una interacción estadísticamente significativa por carecer de sentido físico, ya que un resultado útil del diseño de experimentos debe superar tanto el análisis matemático como el conocimiento del proceso. La incertidumbre persistió, pero no impidió que el grupo actuara.

Se vislumbran mejores decisiones de proceso en el horizonte

Los ingenieros de procesos identificaron finalmente una configuración con alta probabilidad de cumplir con las especificaciones del cliente y los requisitos internos del proceso. Dicha configuración se sometió a un estudio de robustez que abarcó diferentes días, turnos y lotes de materia prima, lo que permitió obtener evidencia sobre la capacidad del proceso y planificar la liberación de futuros lotes.

Esta progresión es importante porque un experimento exitoso debe ir más allá de explicar los resultados históricos. Debe ayudar a un equipo multidisciplinario a ponerse de acuerdo sobre los próximos pasos y proporcionar una estrategia sólida para lograr una producción confiable.

Para los equipos que trabajan con costosos procesos por lotes, los diseños de OMARS ofrecen la clave para una experimentación exitosa y asequible. El valor de estos diseños reside en convertir un número limitado de oportunidades experimentales en una decisión operativa clara, lo que acorta el camino desde el desarrollo hasta un proceso que pueda ofrecer de forma consistente lo que los clientes requieren.

Hace poco la Dra. Paulina Chin, arquitecta sénior en Maplesoft, creó un video titulado "Engaging and Enlightening Students with Maple Visualizations", que mostraba ejemplos de visualizaciones de Maple útiles para la enseñanza de las matemáticas. Esto le permitió familiarizarse nuevamente con algunas de las funciones de trazado de Maple que no había usado desde hacía tiempo. Como resultado, creó un segundo video instructivo para su serie de consejos sobre Maple, "Animating a Polyhedron in Maple".

Elegió este tema porque pensó que mostraría varias funciones de Maple que quizás no todos los usuarios conozcan. Las enumero a continuación y les animamos a que las prueben.

• El comando plots:-polyhedraplot permite crear un gráfico 3D de un poliedro, incluyendo uno de los 138 poliedros que reconoce Maple.
• La lista de poliedros con nombre disponibles se puede obtener llamando al comando plots:-polyhedra_supported.
• La opción de punto de vista viewpoint option, que permite crear una animación variando el punto de vista a través de un gráfico 3D, se puede utilizar para rotar el poliedro.
• Por último, la función de exportación Export le permite guardar la animación de la trama como un GIF animado.

Los dispositivos portátiles para aplicaciones sanitarias, como parches de electrocardiograma, fitness trackers y biosensores, requieren sistemas de almacenamiento energético compactos, ligeros y capaces de proporcionar energía rápidamente.

En el artículo de Huddar et al. [1] publicado recientemente en la revista “Next Materials” (Elsevier) utilizan COMSOL Multiphysics^® para desarrollar un modelo de un supercapacitor destinado a aplicaciones de wearable healthcare. La Figura 1 muestra la geometría del supercapacitor desarrollada en COMSOL (marcada la capa de medio poroso) y el mallado utilizado para resolver el problema numéricamente.

Figura 1. (a) Geometría (destacando la capa de material poroso) y (b) mallado del supercapacitor modelizado y simulado en COMSOL Multiphysics®.

El modelo estudia el movimiento de los iones TEA⁺ y BF₄⁻ y la distribución del potencial iónico en los electrodos porosos y el electrolito.

Los resultados de la simulación muestran una capacitancia específica de aproximadamente 27,6 F/g, una densidad de energía de 3,83 Wh/kg y una densidad de potencia máxima de 13,8 kW/kg. Además, el dispositivo mantiene alrededor del 96 % de su capacitancia, mostrando una buena estabilidad durante los ciclos de operación estudiados. La Figura 2 muestra la distribución inicial (t=0) del potencial eléctrico en el electrolito y los vectores de densidad de corriente, obtenidos a partir de la simulación numérica en COMSOL Multiphysics^®.

Figura 2. Distribución del potencial eléctrico en el electrolito.

El trabajo muestra cómo el diseño basado en simulación puede contribuir al desarrollo de sistemas de almacenamiento energético flexibles y compactos para aplicaciones de monitorización sanitaria.

Referencias

[1] Huddar et al., Next Materials, 12 (2026), 102043. 10.1016/j.nxmate.2026.102043.

Los experimentos con microplacas generan grandes volúmenes de datos, lo que dificulta la evaluación eficiente de múltiples variables manteniendo resultados fiables. El Diseño Estadístico de Experimentos (DOE) proporciona un enfoque estructurado que permite a los investigadores optimizar los experimentos, reducir el consumo de recursos y tener en cuenta las fuentes de variabilidad que, de otro modo, podrían afectar a las conclusiones.

Las microplacas estándar están disponibles en formatos que van desde 24 hasta 1536 pocillos. Dependiendo del diseño del estudio, cada pocillo puede representar una condición experimental, una réplica o un control, lo que hace que el diseño de experimentos (DOE) sea especialmente valioso para organizar experimentos grandes y complejos.

Aplicaciones comunes de la doe en experimentos con microplacas

• Biotecnología: optimización del crecimiento de algas mediante la evaluación de la temperatura, la intensidad de la luz, la variación de la luz y el tipo de luz.
• Investigación de enfermedades: optimización de ensayos ELISA para la cuantificación de proteínas
• Descubrimiento de fármacos: optimización de bioensayos basados ​​en células para la detección de compuestos.
• Condiciones de almacenamiento de fármacos: optimización de las condiciones de almacenamiento para maximizar la viabilidad de los cultivos celulares.

Desafíos en la experimentación con microplacas:

• Gran cantidad de factores experimentales e interacciones potenciales.
• Efectos posicionales, incluyendo la variabilidad entre filas, columnas y placas, que pueden sesgar los resultados.

En microplacas con 384 pocillos o más, la dispensación automática de líquidos es indispensable. Los sistemas de dispensación de células individuales existentes permiten utilizar diferentes cantidades de reactivos/componentes para dispensar en cada pocillo, lo que facilita la ejecución de diseños de experimentos complejos en experimentos a gran escala.

Descubra cómo las soluciones DOE de Minitab ayudan a los investigadores a optimizar estudios complejos desde el principio

¿Cómo mejora la doe los estudios en microplacas?

• Reduce el número de platos y cantidades de productos utilizados.
• Protección contra efectos posicionales que puedan dificultar el análisis.
• Cuantifica las interacciones entre los factores
• Proporciona un enfoque sistemático que cuantifica la incertidumbre y permite la reproducibilidad.

¿Qué hace que los diseños de Omar sean diferentes?

• Estudia las cantidades de reactivos y los factores del proceso continuo en tres niveles (por ejemplo, dosis cero, baja y alta) al tiempo que considera factores categóricos en dos niveles.
• Se adapta a un gran número de factores
• Permite la estimación independiente de todos los efectos principales y buenas propiedades de estimación de las interacciones de dos factores y los efectos cuadráticos.
• El bloqueo incorporado para los efectos de posición de fila/columna proporciona una estimación insesgada (o casi insesgada) de todos los efectos.
• Incorpora factores difíciles de modificar (tiempo de incubación o temperatura asignados a placas completas) al diseño OMARS.
• Disponible para placas de 24, 48, 64, 96, 384 y 1536 pocillos, con y sin el uso de los pocillos perimetrales.

¿Qué se puede aprender del análisis?

• Cuantificar la incertidumbre y tener en cuenta los efectos de posición.
• Identificación de los efectos principales más importantes, interacciones de dos factores y curvatura.
• Identificación de una o más cantidades óptimas de reactivos/componentes/temperatura/tiempo y otros factores que produzcan el mejor resultado.
• Mayor patentabilidad de varias formulaciones mediante la identificación de múltiples combinaciones óptimas de factores.

Al combinar un diseño experimental eficiente con un análisis estadístico riguroso, los investigadores pueden obtener resultados más fiables utilizando menos recursos y logrando una comprensión más profunda de cómo interactúan los factores experimentales. Los diseños OMARS ofrecen una solución práctica para experimentos a gran escala en microplacas, ya que abordan los efectos de posición, se adaptan a requisitos experimentales complejos e identifican con precisión las condiciones de operación óptimas.