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.

Predecir el daño sanguíneo es clave al diseñar catéteres, válvulas cardíacas y otros dispositivos en contacto con la sangre, pero las simulaciones detalladas son costosas desde el punto de vista computacional y lentas para explorar múltiples geometrías. La solución: modelos subrogados en COMSOL Multiphysics^®.

Veryst Engineering, usando COMSOL Multiphysics^®, entrenó redes neuronales profundas (DNN) como modelos subrogados a partir de miles de simulaciones sobre la tobera de referencia de la U.S. Food and Drug Administration (FDA), variando caudal, longitud de convergencia, diámetro del cuello y longitud de divergencia, como se muestra en la Figura 1 [1].

Figura 1. Diagrama que muestra la configuración de la tobera y las entradas del modelo DNN.

Resultado: predicciones de hemólisis con ~10% de precisión frente al CFD completo, pero en milisegundos en lugar de horas — habilitando exploración de diseño en tiempo real. La Figura 2 muestra la velocidad axial correspondiente a un número de Reynolds de 6500, que replica la geometría de la FDA, mostrando la recirculación después de la expansión.

Figura 2. Velocidad axial correspondiente a un número de Reynolds de 6500.

El estudio también subraya algo esencial: en contextos regulatorios, no basta con que un modelo de IA sea preciso; hay que cuantificar su incertidumbre para garantizar decisiones de ingeniería confiables ("decision reliability").

Un caso sólido de cómo multifísica + IA pueden acelerar el diseño sin perder base física.

Referencias

[1] B. Beaudry, “Predicting Blood Damage with Surrogate Modeling”, COMSOL Blog 2026. https://www.comsol.com/blogs/predicting-blood-damage-with-surrogate-modeling

Por Eliza Thomas.

Los profesionales de Mejora Continua rara vez carecen de nuevas ideas de mejora, pero pueden tener dificultades para decidir qué oportunidades merecen atención primero.

Cada empresa o planta tiene decenas o cientos de ideas compitiendo por tiempo, presupuesto y recursos, mientras que cada departamento considera que su proyecto es el más urgente. Esto hace que cada opción parezca prioritaria, y se vuelve difícil priorizar objetivos los proyectos y asignar recursos.

Por qué los esfuerzos de mejora continua tienen dificultades con la priorización

Sin una forma coherente de evaluar iniciativas competidoras, las organizaciones suelen responder a la urgencia en lugar del valor empresarial, lo que a menudo resulta en la pérdida de impulso de un programa de CI. La petición más ruidosa suele recibir atención primero, mientras que otras oportunidades de alto impacto se ven obligadas a esperar. Las quejas de los clientes o las solicitudes de los ejecutivos suelen atenderse más rápidamente debido a la apariencia de peso e importancia, aunque no sean los proyectos con mayor valor a largo plazo.

Como resultado de estas situaciones, el trabajo de mejora se vuelve reactivo. Los recursos están repartidos entre iniciativas competidoras, los proyectos se estancan y las organizaciones luchan por generar un impacto empresarial generador.

Descubre cómo es en la práctica un proyecto de mejora continua de alto impacto con este ejemplo de Minitab Engage.

¿Qué ocurre cuando los proyectos de mejora no se priorizan?

Cualquier tiempo dedicado a una iniciativa de bajo valor es tiempo que podría haberse dedicado a otro sitio.

Cuanto más tiempo y esfuerzo se dedique a un proyecto sin un resultado sólido, más importante será un retorno de inversión en toda la cartera de mejoras.

Cada hora, cada dólar y cada empleado asignado a una iniciativa de bajo valor representa una oportunidad perdida de invertir en mejoras que podrían reducir costes, aumentar el rendimiento o mejorar la calidad. Con el tiempo, el retorno de toda la cartera de mejoras disminuye.

El impacto económico de esto puede ser considerable. Investigaciones del Project Management Institute (PMI) revelaron que las organizaciones pierden una media de 122 millones de dólares por cada 1.000 millones de dólares invertidos en proyectos debido a una mala priorización de proyectos. Estas pérdidas se deben a dispersar los recursos en demasiadas iniciativas y son grandes contribuyentes a la inversión desperdiciada y al valor empresarial no realizado.

Caso de uso de priorización de fabricación

Vamos a explorar un ejemplo real donde la priorización puede marcar una gran diferencia.

Una planta de fabricación ha identificado seis posibles proyectos de mejora:

• Reducir chatarra en la Línea 3
• Mejorar la incorporación de empleados
• Mejoran el etiquetado de almacén
• Reducir el tiempo de inactividad de la máquina
• Mejorar la notificación de quejas de clientes
• Estandarizar las transferencias por turnos

El equipo de CI tiene suficiente capacidad para completar solo dos proyectos este trimestre.

Sin un marco de priorización, el equipo selecciona los proyectos en función de qué departamento hace las solicitudes más fuertes. Pasan meses mejorando el etiquetado de los almacenes y actualizando los materiales de incorporación. Estas son iniciativas valiosas, pero que tienen poco impacto inmediato en el rendimiento de la producción.

Mientras tanto, el tiempo de inactividad de las máquinas sigue aumentando, reduciendo el rendimiento y retrasando los pedidos de los clientes. Las tasas de chatarra también siguen siendo altas, lo que resulta en un desperdicio y retrabajo de materiales evitables.

Utilizando un marco estructurado de priorización dentro de Minitab Engage, el equipo evalúa cada proyecto en función del impacto empresarial, alineación estratégica, esfuerzo de implementación y recursos disponibles.

El análisis identifica la reducción del tiempo de inactividad y el desguace como las oportunidades de mayor valor. Al centrar los recursos primero en esas iniciativas, la organización aumenta la capacidad de producción, reduce el desperdicio y ofrece un valor empresarial medible antes de pasar a mejoras de menor prioridad.

¿Cómo priorizan los equipos de CI de alto rendimiento los proyectos?

Estos equipos no preguntan: "¿Qué deberíamos arreglar?" Preguntan: "¿Qué mejora creará el mayor valor?" Cada proyecto se evalúa en función del impacto estratégico, el valor del cliente, el ROI esperado y los recursos necesarios para llevarlo a bien.

1. Tratan los proyectos de mejora como inversiones. En lugar de perseguir resultados rápidos o abandonar iniciativas a mitad de camino, comprometen los recursos necesarios para lograr resultados empresariales medibles.
2. Sustituyen las opiniones por criterios de evaluación consistentes. En lugar de depender de la urgencia o de la petición más fuerte, utilizan datos y puntuación estandarizada para evaluar el impacto empresarial, el riesgo y los requisitos de recursos. Esto reduce el sesgo y hace que la selección de proyectos sea más objetiva.
3. Apoyan la alineación estratégica con los valores de la empresa. Ni siquiera los proyectos de alto valor se persiguen si no apoyan las prioridades de la organización. Los equipos exitosos aseguran que cada iniciativa contribuya a objetivos empresariales más amplios en lugar de resolver problemas de forma aislada.
4. Equilibran los logros a corto plazo con proyectos transformadores a largo plazo. Las victorias rápidas mantienen el impulso mientras que las iniciativas mayores aportan un valor empresarial sostenido, evitando la fatiga de mejora sin sacrificar el crecimiento a largo plazo.

Los equipos de CI de alto rendimiento reconocen que la priorización no consiste en completar la mayor cantidad posible de proyectos; Se trata de elegir el proyecto adecuado con la mayor oportunidad.

La priorización no elimina buenas ideas, asegura que las ideas correctas reciban atención primero.

Simplifique la gestión de datos y obtenga control sobre sus modelos de simulación

La versión Haskoning Witness 28 incorpora una serie de mejoras prácticas para las tablas de datos y el manejo de materiales.

Estas actualizaciones se centran en dos cosas:

• Cómo facilitar el trabajo con tablas de datos en modelos reales.
• Te brinda mayor visibilidad y control sobre cómo se mueven los artículos a través de los sistemas de manipulación de materiales.

Tablas de datos: más flexibles y fáciles de usar

Las tablas de datos suelen ser fundamentales para la lógica de los modelos, pero utilizarlas para gestionar información como listas de tareas no siempre ha sido sencillo. Esta versión incorpora un conjunto de funciones que simplifican considerablemente las tareas más comunes.

Trabajar con filas

Ahora puedes gestionar las filas sin tener que recorrerlas manualmente:

• DTInsertRow() – Agrega una nueva fila donde la necesites
• DTDeleteRowNum() (& Str y Name) – Elimina filas según los filtros

Esto facilita mantener las tablas limpias y actualizadas durante una ejecución, sin necesidad de soluciones alternativas.

Referenciar columnas por nombre

En lugar de depender de las posiciones de las columnas, ahora puede utilizar:

• DTColumn() – Acceder a los campos por nombre de columna

Esto hace que los modelos sean más fáciles de leer y menos frágiles si cambian las estructuras de las tablas.

También puedes insertar nombres de columnas de índices en Reglas, Acciones o Expresiones de forma más directa usando la opción Insert Field del Árbol de elementos Tree Element (como Insert with Prompt); solo tienes que hacer clic con el botón derecho en tu Tabla de datos. Esto resulta útil al crear o modificar tablas dinámicamente.

Soporte para Experimenter

Las tablas de datos ahora también funcionan con el Experimenter, lo que facilita:

• Cargar y ajustar los datos de entrada
• Ejecuta variaciones sin crear muchas variables

Aquí hay dos opciones cuando agregas un parámetro a un experimento.

• "Importar desde DataTable"
• "Enlace a la tabla de datos"

Los parámetros "Importar desde DataTable" y "Vincular a DataTable" solo se comportan de manera diferente si se guarda el experimento, se cierra, se modifican los datos de la tabla de datos en el modelo y se vuelve a abrir el experimento. La diferencia radica en que, para un parámetro de importación , la instantánea de datos tomada al crear el parámetro se conservará como parte del archivo del experimento y se utilizará como datos de referencia; pero para un parámetro de enlace , se tomará una nueva instantánea de datos cada vez que se abra Experimenter, y cada instantánea se utilizará como datos de referencia mientras Experimenter permanezca abierto, y esos datos no se conservarán como parte del archivo del experimento.

Por lo tanto, un parámetro de Importación sería más útil si el estado actual de la Tabla de Datos es un buen conjunto de datos que desea utilizar cada vez que ejecute el experimento; mientras que un parámetro de Enlace sería más útil si es probable que los datos de referencia de la Tabla de Datos cambien y desea que las actualizaciones se incluyan en diferentes ejecuciones del experimento.

Mejoras en el manejo de materiales

En Witness 28 también se ha ampliado el soporte para la manipulación de materiales, especialmente en lo que respecta a cintas transportadoras, vías y tala de árboles.

Acciones sobre el resultado

Ahora puedes activar la lógica cuando los elementos abandonan elementos clave:

• Tracks: acciones sobre la salida de las pistas
• Conveyors– Acciones sobre la salida de los transportadores

Esto te da más control en los momentos de traspaso, donde a menudo es necesario tomar decisiones.

Registro de viajes

Una de las principales novedades de esta versión es la mejora del registro de viajes.

Ahora puede realizar un seguimiento del movimiento de las piezas a través de las cintas transportadoras, incluidos los eventos en el borde delantero y trasero, lo que amplía el registro existente de rutas, pistas y vehículos para mostrar no solo dónde están los artículos, sino también cómo llegaron allí.

Configuración del registro

Las nuevas funciones facilitan el control desde el código de Actions:

• SetJourneyLogging() – Activa o desactiva el registro de eventos
• SetJourneyLogFile() – Elige dónde se escribirán los registros

Mejoras de UNCALL

Con los sistemas Tracks and Vehicles que utilizan las operaciones CALL y VSEARCH integradas, una vez que un vehículo se asignaba a un trabajo, no era posible reasignarlo. Ahora contamos con la acción UNCALL. Puede liberar todos los vehículos para que puedan reasignarse.

UNCALL VehicleName, ALL

O sea más específico:

UNCALL VehicleName, LoadTrack, UnloadTrack, Priority, AttributeName, Expression

Esto le permite cancelar o ajustar las llamadas en función de condiciones más específicas, en lugar de basarse en reglas generales.

Por qué esto importa

Estas actualizaciones se centran en problemas de modelado cotidianos:

• Cómo mantener las tablas de datos manejables
• Simplificando la lógica
• Comprender cómo se mueven los elementos a través de un sistema.
• Controlar el comportamiento en los puntos clave de decisión.

No cambian la forma en que se construyen los modelos a un nivel general, pero eliminan muchas dificultades al trabajar en escenarios del mundo real.

Las mejoras en el manejo de materiales y las tablas de datos en Witness 28 se centran en la claridad y el control.

Podrá trabajar con los datos de forma más directa, responder a los eventos con mayor precisión y comprender el movimiento a través de su sistema con más detalle.

Si sus modelos dependen en gran medida de tablas o de una lógica de procesamiento compleja, estos cambios deberían facilitar notablemente el trabajo diario.

COMSOL ha publicado en su blog un resumen de un webinar reciente en el que Bjtorn Sjödin (COMSOL) y Rui Aguiar (CEO de Cosmon) analizaron cómo la IA está transformando los flujos de trabajo de simulación. El artículo distingue entre los chatbots basados en LLM (ChatGPT, Gemini, Claude, etc.), que son útiles para resolver dudas puntuales o generar código, y los agentes de IA, capaces de ejecutar tareas completas de forma autónoma, desde la preparación de geometría hasta la resolución de problemas del solver.

Entre los agentes destacados figura Nexus, el agente de IA de Cosmon que Addlink comercializa en España, diseñado para trabajar junto a COMSOL Multiphysics^® automatizando tareas repetitivas: limpieza de geometría CAD, configuración de simulaciones, sweeps paramétricos, resolución de errores del solver y generación de informes. Según Aguiar, Nexus puede acelerar los flujos de simulación entre 2 y 3 veces, liberando tiempo del ingeniero para las decisiones técnicas de mayor valor. La Figura 1 muestra la interfaz de Nexus y su interacción con COMSOL Multiphysics^®.

Figura 1. Interfaz de Nexus (derecha).

NOTA: Si desea saber cómo Nexus pude integrarse en su flujo de trabajo con COMSOL Multiphysics, contacte con el equipo comercial de Addlink Software Científico y solicítenos una prueba.

Referencias

[1] E. Sisler, “Agentic AI Within the Simulation Engineering Space”, COMSOL Blog 2026. https://www.comsol.com/blogs/agentic-ai-within-the-simulation-engineering-space

Por Alyssa Sarro.

La industria automotriz está entrando en un período en el que la presión comercial, la política industrial y los requisitos de sostenibilidad influyen cada vez más en las decisiones de ingeniería cotidianas. La UE está transformando la circularidad, pasando de ser una ambición general a establecer normas medibles para el diseño de vehículos, el contenido reciclado, la trazabilidad y la gestión al final de su vida útil. Estas normas afectarán la selección de materiales, la información proporcionada por los proveedores, la capacidad de los procesos y otros aspectos, lo que hace que la experimentación temprana sea esencial para los equipos de calidad y mejora continua del sector automotriz.

En Minitab, mantenernos al día con los cambios de la industria es fundamental para brindar apoyo a nuestros clientes. Investigamos continuamente las novedades regulatorias, los cambios del mercado y los nuevos desafíos de fabricación en los sectores que atendemos. Esta atención constante nos permite vincular las políticas en evolución con las decisiones prácticas que enfrentan los fabricantes. El nuevo reglamento de la UE sobre el fin de la vida útil de los vehículos es un ejemplo oportuno: sus requisitos de circularidad ya están influyendo en la forma en que los equipos de calidad y mejora continua del sector automotriz abordan los materiales, los proveedores, la validación y el desarrollo de procesos.

Un entorno político que cambia rápidamente

Los fabricantes europeos se enfrentan simultáneamente a desafíos como la política industrial, la descarbonización, la resiliencia de la cadena de suministro y la incertidumbre comercial. En mayo de 2026, PBS NewsHour informó que los aranceles estadounidenses sobre los automóviles y camiones fabricados en la UE habían aumentado del 15 % al 25 %. Esta presión adicional sobre los costos se produce justo cuando se les exige a los fabricantes que rediseñen sus productos y procesos para adaptarse a los nuevos requisitos de economía circular.

Para los responsables de planta y calidad, el reto no consiste simplemente en cumplir con las políticas, sino en traducir esos cambios en especificaciones de materiales, decisiones de abastecimiento, planes de validación y procesos de fabricación eficaces, sin sacrificar la calidad, la productividad ni la rentabilidad.

Los nuevos requisitos sobre el plástico reciclado

Uno de los ejemplos más claros es el nuevo mandato de la UE sobre plásticos reciclados. Aquí es donde la política sale de Bruselas y llega directamente a su planta de producción. Según el nuevo Reglamento (UE) 2026/1738, el plástico utilizado en los nuevos tipos de vehículos aprobados a partir del 1 de septiembre de 2032 debe contener al menos un 15% de plástico reciclado posconsumo en peso. Este requisito aumenta al 25% para los nuevos tipos de vehículos aprobados a partir del 1 de septiembre de 2036. Al menos el 20 % del objetivo aplicable debe provenir de vehículos al final de su vida útil o de piezas retiradas durante su uso. El resumen oficial de la adopción por parte del Consejo y la cobertura de Just Auto ofrecen información adicional, pero la pregunta práctica para los fabricantes ya es clara: ¿cómo añadir más material reciclado sin renunciar al rendimiento y la calidad que esperan los clientes?

La normativa puede marcar el rumbo, pero los ingenieros y los equipos de calidad aún deben descubrir la ruta viable. Minitab les ayuda a transformar esa incertidumbre en aprendizaje estructurado: probar las combinaciones adecuadas, distinguir los efectos relevantes del ruido y generar evidencia para decisiones que, en última instancia, llegarán a proveedores, equipos de validación y plantas de producción en todo el mundo.

Lo difícil es no alcanzar un porcentaje determinado sobre el papel. Una mayor cantidad de resina reciclada puede afectar la resistencia, el aspecto, la contracción, la deformación, el tiempo de ciclo, el desperdicio y la durabilidad. El resultado puede variar nuevamente según la fuente de resina, el paquete de aditivos, la temperatura, las herramientas o el proveedor. Una formulación que cumpla con la normativa debe ser segura, fabricable y consistente a escala de producción.

Utilice el diseño de experimentos (DOE) para convertir un objetivo en un proceso viable

Un diseño de experimentos (DOE) comienza con una pregunta práctica de ingeniería: ¿cuánto material reciclado podemos usar sin dejar de cumplir con los requisitos de resistencia, apariencia y estabilidad dimensional? Con Minitab, el equipo identifica los parámetros que puede modificar (como el nivel de contenido reciclado, la fuente o el grado de la resina, los aditivos y las temperaturas de procesamiento) y los resultados que debe proteger. A continuación, Minitab crea un experimento aleatorio que aprende de las combinaciones de estos parámetros, en lugar de modificarlos manualmente uno por uno.

Una vez que los ingenieros realizan las pruebas e ingresan los resultados, Minitab muestra qué factores son relevantes, dónde interactúan y qué compensaciones merecen atención. El Optimizador de Respuesta puede entonces ayudar a identificar configuraciones que equilibren varios objetivos a la vez. Por ejemplo, aumentar el contenido reciclado sin que el tiempo de ciclo supere los límites aceptables. Las configuraciones propuestas aún requieren pruebas de confirmación y validación en producción antes de modificar cualquier especificación o plan de control. La guía de superficie de respuesta de Minitab describe el flujo de trabajo de creación, análisis y optimización.

Aquí es donde un ingeniero de materiales y un experto en diseño de experimentos (DOE) con experiencia aportan un valor real. Pueden definir rangos de factores de seguridad, elegir un diseño apropiado y garantizar que las conclusiones se mantengan fuera del ensayo. Para adaptaciones especialmente costosas, como las que la industria automotriz enfrentará cada vez con mayor frecuencia, así como para experimentos con combinaciones restringidas o múltiples respuestas competitivas, Minitab DOE by Effex puede ayudar a los expertos a crear un diseño más eficiente que se ajuste a las limitaciones del mundo real.

¿Qué deberían hacer ahora los líderes de calidad y mejora continua?

El Departamento de Energía (DOE) no sustituye las obligaciones de trazabilidad, verificación ni homologación. Proporciona a los ingenieros un método estructurado y eficiente para desarrollar configuraciones que cumplan de forma fiable los requisitos sin comprometer la calidad ni la confianza. Las soluciones de Minitab para el sector automotriz y la mejora continua conectan la experimentación, el análisis, el control de procesos y la gestión de proyectos de mejora continua.

El primer objetivo de reciclaje de plástico comienza en 2032, pero estas decisiones se toman años antes. Los equipos que empiezan a informarse ahora pueden prepararse para cumplir con la normativa, al tiempo que reducen los residuos, aceleran el desarrollo y mejoran su rendimiento de fabricación.

Un estudio publicado por Li et al. en la Scientific Reports (Nature) presenta un marco de inversión Gauss-Newton para datos electromagnéticos transitorios en superficie (GTEM) basado en el software de elementos finitos COMSOL Multiphysics®.

Los autores introdujeron una fuente magnética virtual en el receptor y se aplicó el método del campo adjunto, lo que permite obtener la matriz de sensibilidad 3D completa en solo dos simulaciones directas e integrarla en un flujo de trabajo iterativo. EL modelo y su mallado se muestran en la Figura 1.

Figura 1. Configuraciones de modelado directo y malla en COMSOL: (a) Modelo de simetría axial y (b) Modelo 3D completo.

La Figura 2 muestra la evolución temporal del campo electromagnético transitorio alrededor de una anomalía conductora 3D obtenida mediante la simulación en COMSOL Multiphysics^®. En los primeros instantes, el campo se concentra en las proximidades del lazo transmisor; posteriormente, la energía se propaga hacia el subsuelo y se intensifica alrededor de la anomalía conductora debido a la inducción de corrientes de Foucault. En tiempos más tardíos, el campo penetra a mayor profundidad mientras la señal asociada a la anomalía se atenúa progresivamente. Estos resultados demuestran la capacidad del modelo desarrollado en COMSOL Multiphysics^® para reproducir con precisión la evolución espacio-temporal de los campos TEM en estructuras geológicas tridimensionales.

Figura 2. Amplitudes transitorias del campo electromagnético en una sección transversal de un modelo de cubo conductor en instantes de tiempo seleccionados.

Principales hallazgos del estudio:

• Alta precisión en modelado directo: Las soluciones 3D en un semiespacio homogéneo mostraron un error relativo menor al 1,4% en comparación con la solución analítica (y menor al 0,05% en el modelo con simetría axial).
• Rápida convergencia: En las pruebas con un modelo estratificado en forma de "H", la inversión convergió en solo 4 iteraciones, logrando un ajuste del 0,99%.
• Validación en campo: En la mina de carbón Xiaogangou (Xinjiang, China), el método delimitó con precisión zonas conductoras de agua asociadas a la falla DF1, con una coincidencia excelente frente a los datos de sondeos (ZK402) y la geología local.

Un avance clave que ofrece una herramienta precisa y accesible para la simulación e inversión TEM en escenarios geológicos complejos.

Referencias

[1] Li, F., Wang, P. & Lu, K. Gauss-Newton inversion of ground transient electromagnetic data using COMSOL multiphysics. Sci Rep 16, 970 (2026). https://doi.org/10.1038/s41598-025-30438-y

Por Lauren Slovin.

Si recientemente ha realizado una prueba t de 1 muestra o una prueba t pareada en Minitab, es posible que haya notado algo nuevo en el resultado: los grados de libertad (GL).

Puede parecer una pequeña modificación. La prueba de hipótesis, el valor p y el intervalo de confianza son los mismos que antes. Los grados de libertad siempre han formado parte del cálculo. Ahora, los usuarios ya no tienen que calcularlos manualmente. Mostrarlos hace que la salida de Minitab sea más transparente y completa.

Analicemos más de cerca qué hace una prueba t y por qué este cambio, aparentemente pequeño, es importante.

¿Qué es una prueba t?

La prueba t es una de las herramientas estadísticas más utilizadas para comparar promedios. Ayuda a responder una pregunta importante: ¿La diferencia que observo es real o podría deberse simplemente a la variación aleatoria?

Imaginemos que un fabricante lanza una herramienta de corte rediseñada y quiere saber si dura más que el estándar establecido de 1120 ciclos. El nuevo diseño tiene un promedio de 1165 ciclos. Existe una diferencia, pero ¿es significativa?

Una prueba t evalúa la diferencia teniendo en cuenta la variabilidad natural y el tamaño de la muestra. Genera un valor p, que ayuda a determinar si el resultado es estadísticamente significativo o si podría deberse al azar. Ya sea que se comparen productos, se evalúe una mejora de proceso o se mida el rendimiento antes y después de un cambio, una prueba t ayuda a convertir los datos en evidencia.

¿Qué es un intervalo de confianza?

Un valor p indica si una diferencia es estadísticamente significativa, y un intervalo de confianza indica cuán grande podría ser esa diferencia.

Supongamos que su análisis estima que un nuevo proceso reduce el tiempo de producción en cuatro minutos. Dado que trabaja con una muestra, existe cierta incertidumbre en torno a esta estimación. Minitab podría mostrar un intervalo de confianza del 95 % de entre 2,9 y 5,1 minutos. Este rango representa valores plausibles para la mejora real. Los intervalos estrechos indican mayor precisión, mientras que los intervalos más amplios reflejan mayor incertidumbre.

Los intervalos de confianza complementan las pruebas de hipótesis al proporcionar un contexto práctico. Saber que existe una diferencia es valioso; saber aproximadamente qué tan grande es suele ser aún más importante.

¿Qué son los grados de libertad?

A pesar de su nombre técnico, DF describe la información disponible para estimar la variación y extraer conclusiones fiables.

Imaginemos que cinco clientes tienen una puntuación media de satisfacción de 8 sobre 10. Si cuatro puntuaciones son 7, 8, 9 y 8, la quinta debe ser 8 para que la media siga siendo 8. Dado que un valor está determinado por la media, solo cuatro observaciones pueden variar libremente. Esto deja 5 − 1 = 4 grados de libertad.

La misma idea se aplica a una prueba t. El software primero estima el promedio de la muestra. Una vez que se conoce ese promedio, se "utiliza" un grado de libertad, quedando:

Prueba t de 1 muestra: grados de libertad = tamaño de la muestra − 1
Prueba t pareada: grados de libertad = número de pares − 1

Entonces, si se recopilan 20 observaciones, los grados de libertad son 19.

Los grados de libertad ahora aparecen junto al valor t y al valor p en los resultados de la prueba t de una muestra y la prueba t pareada de Minitab.

Piense en los grados de libertad como en un presupuesto. Cada observación proporciona información, pero estimar el promedio de la muestra consume una parte de ella. La información restante ayuda a la prueba t a estimar la variación natural. Generalmente, un mayor número de grados de libertad permite una mayor precisión.

Con esta actualización, ya no necesitas calcularlo Vd. mismo. Minitab lo hace automáticamente.

¿Por qué son importantes los grados de libertad?

Si solo prueba cinco herramientas, sus resultados podrían verse influenciados por algunas que tengan un rendimiento excepcionalmente bueno o malo. Si prueba 100 herramientas, tendrá mucha más información. La prueba t tiene esto en cuenta al utilizar grados de libertad para determinar el valor p y el intervalo de confianza. Con muestras más pequeñas, la prueba es más cautelosa debido a la mayor incertidumbre. A medida que aumenta el tamaño de la muestra, los cálculos se vuelven más precisos.

Los cálculos no han cambiado. Minitab siempre ha utilizado los grados de libertad adecuados al calcular el estadístico t, el valor p y el intervalo de confianza. La novedad reside en que ahora se muestran los grados de libertad, lo que facilita la documentación, interpretación y verificación de los resultados.

¿Por qué añadir ahora la función de grados de libertad y quién se beneficia?

Los investigadores incluyen el factor de divergencia (DF) en sus publicaciones, los auditores lo utilizan para verificar los análisis y los profesores lo enseñan junto con el estadístico t y el valor p. Anteriormente, los usuarios de Minitab tenían que calcular el DF manualmente o inferirlo a partir del tamaño de la muestra. Ahora aparece automáticamente, lo que facilita la presentación, validación y reproducción de los resultados.

Para muchos usuarios habituales, los cambios son mínimos. Si su objetivo principal es determinar si un proceso ha mejorado o si el diámetro de su producto cumple con las especificaciones, las conclusiones siguen siendo las mismas. El nivel de detalle adicional resulta especialmente útil para investigadores, ingenieros de calidad en industrias reguladas, auditores, estudiantes, profesores y estadísticos que necesitan documentar o verificar sus análisis.

Las matemáticas no han cambiado; el análisis es simplemente más claro. Al mostrar los grados de libertad en la salida estándar, Minitab elimina un paso manual adicional y facilita la comprensión y la justificación de todas las pruebas t de una muestra y pareadas, permitiendo realizarlas con mayor confianza.

La versión Maple Flow 2026 perfecciona las herramientas en las que ya confía y abre nuevas formas de crear, conectar e incluso generar sus hojas de cálculo: desde un motor matemático más rápido hasta programación en línea directamente en el lienzo, pasando por la generación de hojas de cálculo asistida por IA y una conectividad ampliada en toda su cadena de herramientas de ingeniería.

Programe de forma más inteligente, calcule más rápido

• Generación de hojas de cálculo asistida por IA:
  Maple Flow funciona con asistentes de codificación de IA (como Claude Code y Codex) y Maple MCP para generar hojas de cálculo a partir de fuentes existentes.
  
  • Generar hojas de cálculo a partir de una solicitud de lenguaje natural: una solicitud detallada que describa los cálculos y el contenido técnico que necesita puede generar una hoja de cálculo estructurada de Maple Flow, completa con documentación, cálculos en tiempo real y procedencia de las ecuaciones.
    
  • Convierta hojas de cálculo de Excel en hojas de trabajo de Maple Flow: Las referencias y fórmulas ocultas en una hoja de cálculo pueden ser difíciles de auditar. Los agentes de IA transforman esa lógica opaca en una notación matemática legible y natural, más fácil de revisar.
    
  • Convierta scripts de MATLAB en hojas de cálculo de Maple Flow: Pase de ecuaciones con aspecto de código y bucles procedimentales a documentos de cálculo legibles creados con solucionadores de alto nivel, sentencias por partes y ecuaciones bidimensionales.
    
  • Elabore un modelo matemático a partir de un sitio web o un documento técnico: traduzca referencias públicas, artículos técnicos o documentos con datos empíricos en modelos de hojas de cálculo estructuradas con supuestos transparentes y procedencia documentada.
    

  Todas las hojas de cálculo generadas por IA deben revisarse antes de su uso en trabajos de ingeniería: los resultados pueden variar entre modelo y entre ejecuciones.

• Escribe programas directamente en la hoja de cálculo con Programación en línea.
  

  Ahora puede escribir programas y scripts directamente en la hoja de cálculo, que se ejecutarán junto con el resto del contenido. Introduzca su programa usando la nueva paleta de Programación o el teclado, alternando entre ambas cuando le resulte conveniente. La paleta de programación controlada por ratón permite insertar plantillas de programación comunes, como bucles for y sentencias if/else, con la indentación correcta ya aplicada. La introducción de datos mediante teclado incluye funciones de productividad para mantener el código limpio y legible.

• Mejora del rendimiento:
  Esta versión incorpora mejoras adicionales al motor matemático, lo que garantiza que incluso las hojas de cálculo más exigentes sigan respondiendo con fluidez. Las mejoras en el rendimiento se deben a optimizaciones en la interfaz, las rutinas individuales y la estructura computacional subyacente al motor matemático.

Conectando Maple Flow con su mundo de ingeniería

• Compatibilidad ampliada con Excel
  Ahora puede copiar y pegar más tipos de datos de Excel a Maple Flow, lo que facilita la importación directa de los datos de sus hojas de cálculo a sus hojas de trabajo.
• Migre sus archivos heredados a Maple Flow
  El Asistente de migración de Maple Flow ahora permite transferir contenido de archivos de Mathcad Prime®, además de la compatibilidad existente con las hojas de cálculo de Mathcad 13, 14 y 15. El Asistente de migración también puede convertir programas de Mathcad directamente en los nuevos programas integrados de Maple Flow, conservando así gran parte de la estructura y la finalidad de la hoja de cálculo original.
• Más formas de aprender Maple Flow
  
  • Una guía de usuario ampliada, que incluye una nueva sección sobre programación en línea.
  • Se han añadido nuevas aplicaciones a la Galería de Aplicaciones, incluida una nueva sección de semiconductores.

Disponible para: Clientes de Maple Flow que estaban inscritos en el Plan de Mantenimiento Elite de Maplesoft en el momento de su lanzamiento. (Los clientes que no estaban inscritos en el Plan de Mantenimiento Elite en ese momento pueden contactar con el departamento de ventas de Addlink para obtener una actualización).

WebGIS proporciona acceso a datos geofísicos globales para la modelización de la dispersión atmosférica, la evaluación de riesgos y otras aplicaciones técnicas. Los productos comerciales de Lakes Software, como AERMOD View, CALPUFF View y otros, integran WebGIS para descargar automáticamente datos de terreno y uso del suelo directamente en los proyectos.

Esto ahorra tiempo a los modeladores al reducir la necesidad de localizar, descargar y preparar datos de múltiples fuentes externas.

A partir de la versión 13.1 de AERMOD View, WebGIS ahora aloja un nuevo conjunto de datos de terreno: NASADEM.

NASADEM es una versión reprocesada de los datos de elevación recopilados por Shuttle Radar Topography Mission (SRTM), disponibles desde hace tiempo en WebGIS. Su procesado actualizado incorpora una geolocalización mejorada y métodos revisados ​​para rellenar las lagunas en los datos originales. Los mosaicos de NASADEM ofrecen la misma cobertura geográfica y resolución (30 metros/1 segundo de arco) que el conjunto de datos SRTM1 Versión 3 existente en WebGIS, cubriendo las áreas terrestres entre los 60°N y los 56°S de latitud.

Los usuarios de AERMOD View con mantenimiento vigente pueden acceder a NASADEM en la nueva versión 13.1 , lanzada a principios de este mes. El acceso a NASADEM sigue el mismo procedimiento que para todos los productos WebGIS:

Paso 1: Abra el Procesador de terreno de AERMOD View Terrain Processor mediante el botón de la herramienta Terrain.

Paso 2: Seleccione SRTM/NASADEM como tipo de mapa Map Type.

Paso 3: Haga clic en el botón WebGIS.

Paso 4: Seleccione NASADEM (Global ~30m) de la lista desplegable.

En futuras actualizaciones, se añadirá compatibilidad con NASADEM a otros productos de Lakes, incluidos CALPUFF View y AERSCREEN View.

La Ley de Fourier ha sido el estándar para describir la conducción de calor durante más de dos siglos. Sin embargo, en dispositivos a microescala hechos de materiales ultrapuros y de alta conductividad térmica (como el diamante, el grafito o el nitruro de boro hexagonal), esta descripción se rompe. Un reciente artículo publicado en el Blog de COMSOL Multiphysics^® [1] trata esta cuestión.

En estos sistemas, los fonones (los principales portadores de calor) experimentan colisiones que conservan el momento. Esto hace que el transporte de calor se vuelva colectivo y similar al de un fluido, dando lugar a fenómenos como el segundo sonido (ondas de temperatura), flujo de calor tipo Poiseuille, reflujo térmico y vórtices de calor.

De la teoría microscópica al modelo continuo

Para modelar estos efectos en geometrías reales sin recurrir al altísimo coste computacional de la Ecuación de Transporte de Boltzmann (BTE) microscópica, se utilizan las Ecuaciones de Calor Viscoso (VHE).

Las VHE extienden la ley de Fourier añadiendo un campo adicional: la velocidad de deriva de los fonones. Acoplan una ecuación de balance de energía para la temperatura T(r,t) y tres ecuaciones de balance de momento para la velocidad de deriva u(r,t), actuando como el análogo de las ecuaciones de Navier-Stokes para un "fluido cuántico" de fonones.

La interfaz personalizada en COMSOL Multiphysics®

Mediante la herramienta Physics Builder, se ha creado la interfaz Viscous Heat Equations (VHE) para COMSOL, la cual ofrece:

• Formulación acoplada temperatura–velocidad para el transporte térmico.
• Simulaciones estacionarias y dependientes del tiempo.
• Condiciones de contorno adaptadas: Incluyendo límites de temperatura fija, gradientes de temperatura, restricciones de velocidad y condiciones de deslizamiento (slip) y no-deslizamiento (no-slip) en las fronteras.

Ejemplos de aplicación

1. Difusión de Fourier vs. Flujo Hidrodinámico: Mientras que Fourier predice isotermas suaves de caliente a frío, las VHE muestran cómo el calor recircula en regiones adyacentes formando vórtices y un reflujo térmico.
2. Vórtices Térmicos en el Límite Incompresible: Al asumir un flujo incompresible, la divergencia de la velocidad se anula y emergen vórtices térmicos estacionarios, un comportamiento totalmente ausente en la difusión convencional.
3. Simulaciones en el Tiempo: Con condiciones transitorias se observa la formación, movimiento e inversión de los vórtices de calor a lo largo del tiempo.

La Figura de portada muestra los resultados de vórtices térmicos y reflujo de calor simulados con la interfaz VHE en COMSOL Multiphysics^® .

CONCLUSIÓN: Esta interfaz conecta la teoría de transporte microscópico con el modelado continuo, abriendo nuevas posibilidades para estudiar fenómenos térmicos no difusivos en materiales y dispositivos de próxima generación.

La interfaz se encuentra disponible para su descarga en el Application Exchange de COMSOL [2].

Referencias

[1] Di Lucente, Simonchelli, COMSOL Blog 2026. “When Heat Flows like a Fluid: Exploring a Phonon Hydrodynamics Interface” https://www.comsol.com/blogs/when-heat-flows-like-a-fluid-exploring-a-phonon-hydrodynamics-interface
[2] COMSOL Application Exchange. https://www.comsol.com/community/exchange/1071/

Beneficios del cálculo simbólico

El cálculo simbólico permite expresar y resolver problemas matemáticos de la misma manera que se conciben: utilizando variables, fórmulas matemáticas, símbolos como π e ∞ y funciones matemáticas. Las variables pueden permanecer como incógnitas durante todo el cálculo. No es necesario asignar valores a las variables a menos que se desee, ni introducir aproximaciones artificiales para que un cálculo funcione.

• Maple permite trabajar con cantidades exactas como fracciones, radicales y símbolos, eliminando los errores de redondeo acumulados. Por ejemplo, π/3 puede permanecer igual, π/3, durante todo el cálculo, lo que da como resultado una respuesta exacta.
• Las aproximaciones pueden calcularse con la precisión requerida y no están limitadas por las restricciones del hardware. Esta "precisión infinita" no solo ofrece flexibilidad, sino que también permite evitar problemas de cancelación catastrófica que dan lugar a resultados muy imprecisos con la precisión del hardware.
• Puede posponer las aproximaciones numéricas hasta que sean necesarias, utilizando parámetros simbólicos en su problema. Estos parámetros se conservan en cada etapa del análisis, lo que facilita la exploración de parámetros, la optimización de valores y el estudio del comportamiento del sistema.
• Los cálculos simbólicos permiten obtener resultados de gran precisión. Eliminan la necesidad de simplificar los problemas manualmente y brindan información valiosa sobre la estructura del problema, a partir de la cual se pueden formular conjeturas y conclusiones sobre su comportamiento.

Las capacidades simbólicas líderes en el mundo de Maple

Las capacidades simbólicas de Maple se han desarrollado continuamente durante más de 25 años. Gracias al talento de algunos de los mejores profesionales de Maplesoft y de reconocidos institutos de investigación de todo el mundo, el motor simbólico de Maple cuenta con la amplitud, profundidad y rendimiento que solo se consiguen tras años de desarrollo especializado. El cálculo simbólico ha sido la base del negocio de Maplesoft desde sus inicios y sigue siendo un elemento clave en todo lo que hacemos.

• Se abarcan prácticamente todas las áreas de las matemáticas, incluyendo cálculo, transformadas integrales y discretas, álgebra lineal, estadística, procesado de señales, teoría de grafos, geometría diferencial, programación lineal, combinatoria, optimización, física y mucho más.
• Las capacidades matemáticas de Maple incluyen un análisis exhaustivo de problemas complejos. Algunos ejemplos son los siguientes:
  
  • Maple contiene resolvedores de ecuaciones diferenciales de primera categoría, incluidos muchos algoritmos nuevos desarrollados por los investigadores de Maple.
  • Gracias a que Maple combina técnicas simbólicas y numéricas, puede aplicar resolvedores híbridos a ecuaciones diferenciales algebraicas (EDA). El preprocesado simbólico y la reducción de orden permiten que Maple resuelva EDA que otros sistemas no pueden.
  • La extensa colección de funciones especiales de Maple, incluidas las funciones de Bessel y la función LambertW, significa que Maple puede encontrar soluciones analíticas para una amplia gama de problemas.
• Maple no es solo un sistema simbólico. Ofrece enfoques simbólicos y numéricos completamente integrados. Puede elegir entre diversas técnicas, tanto aproximadas como exactas, que se adapten a sus necesidades.
• Internamente, los resolvedores de Maple también pueden utilizar una combinación de técnicas simbólicas y numéricas, lo que les permite resolver problemas para los que cualquiera de los dos enfoques por sí solo sería insuficiente.

En este video verá: Uso de los algoritmos matemáticos integrados de Maple para cálculos simbólicos y numéricos (en inglés).

Por Joshua Zable.

Los ingenieros civiles se enfrentan a un constante ejercicio de equilibrio. Cada proyecto debe cumplir con exigentes requisitos de rendimiento, a la vez que controla los costos, reduce el impacto ambiental y cumple con estrictas normativas. Ya sea diseñando un puente, optimizando una mezcla de concreto o mejorando la infraestructura de drenaje pluvial, los ingenieros a menudo necesitan comprender cómo interactúan simultáneamente decenas de variables.

Tradicionalmente, muchos de estos desafíos se han abordado mediante pruebas secuenciales de ensayo y error, también conocidas como pruebas de un factor a la vez. Sin embargo, este enfoque puede pasar por alto interacciones importantes entre variables y requerir más pruebas de las necesarias.

El diseño de experimentos, o DOE, ofrece a los ingenieros una forma más rápida y científica de evaluar múltiples variables, identificar los factores más importantes y optimizar el rendimiento con muchos menos experimentos que las pruebas tradicionales.

Aplicaciones prácticas del diseño de experimentos en ingeniería civil

1. Encuentra la mejor mezcla de concreto más rápido.

El rendimiento del hormigón depende de numerosas variables interrelacionadas, como la relación agua/cemento, la temperatura de curado, las propiedades de los agregados, los aditivos y el tiempo de mezclado. En lugar de modificar un ingrediente a la vez, el diseño de experimentos (DOE) permite a los ingenieros evaluar múltiples factores simultáneamente, identificando interacciones que pueden afectar significativamente la resistencia a la compresión, la durabilidad, la trabajabilidad y el tiempo de curado.

Utilizando el optimizador de respuesta de Minitab, un ingeniero puede identificar la combinación que maximiza la resistencia y minimiza el coste del material.

2. Diseñar pavimentos que duren más.

El rendimiento de la carretera depende de numerosas variables de diseño, como el grado y el contenido del ligante asfáltico, la granulometría del agregado, la temperatura, la humedad y la carga de tráfico. Probar todas las combinaciones posibles requeriría cientos o incluso miles de experimentos.

El Departamento de Energía (DOE) reduce drásticamente el número de pruebas necesarias y proporciona a los ingenieros de transporte una comprensión más clara de qué variables influyen más en la formación de surcos, el agrietamiento y la durabilidad a largo plazo.

3. Descubra qué es lo que realmente afecta la fiabilidad estructural.

Los sistemas estructurales modernos involucran numerosas variables de diseño que interactúan entre sí. Probar cada variable de forma independiente ignora la realidad de que estos factores interactúan. Desde las propiedades de los materiales y el espaciamiento de las armaduras hasta los detalles de las conexiones y las condiciones de carga, todo puede afectar el rendimiento del sistema.

Por ejemplo, aumentar la resistencia del hormigón puede mejorar la capacidad de la viga, pero solo si el espaciamiento del refuerzo se mantiene dentro de las tolerancias aceptables. El diseño de experimentos (DOE) ayuda a los ingenieros a descubrir estas interacciones y a cuantificar qué variables de diseño influyen más en el comportamiento estructural.

4. Reducir la incertidumbre en las investigaciones geotécnicas

La ingeniería geotécnica es inherentemente incierta. A diferencia de los materiales manufacturados, el suelo y la roca son variables por naturaleza, lo que dificulta predecir cómo se comportarán bajo diferentes cargas y condiciones ambientales.

El Departamento de Energía (DOE) ayuda a los ingenieros civiles a estudiar sistemáticamente esta variabilidad, identificar los factores más influyentes y optimizar los programas de pruebas, al tiempo que reduce el número de costosos experimentos de campo y de laboratorio.

5. Mejorar el rendimiento de la infraestructura hídrica

Los proyectos de infraestructura hídrica requieren que los ingenieros equilibren los caudales, la capacidad de almacenamiento, los horarios de bombeo, los procesos de tratamiento y los escenarios de lluvia. Estas variables suelen interactuar de maneras que pueden ser difíciles de predecir mediante pruebas que analizan un factor a la vez.

El Departamento de Energía (DOE) ayuda a los ingenieros a identificar condiciones de funcionamiento óptimas en diversas condiciones ambientales, mejorando la fiabilidad y la resiliencia de los sistemas de recursos hídricos.

6. Equilibrar la sostenibilidad con el rendimiento.

La sostenibilidad se ha convertido en un objetivo de diseño fundamental para los proyectos de ingeniería civil. Los ingenieros buscan cada vez más optimizar las emisiones de carbono, el uso de materiales, el contenido reciclado, los métodos de construcción y el consumo de energía, sin dejar de cumplir con los requisitos de rendimiento y seguridad.

El Departamento de Energía (DOE) proporciona un marco objetivo para equilibrar el desempeño ambiental y el de ingeniería, lo que ayuda a los ingenieros a identificar qué opciones de diseño reducen el impacto sin comprometer la calidad de la infraestructura.

Construye infraestructuras más inteligentes mediante una mejor experimentación.

Desde la optimización de las formulaciones de hormigón hasta el diseño de infraestructuras más sostenibles, el diseño de experimentos ofrece a los ingenieros civiles una forma sistemática de mejorar el rendimiento, al tiempo que reduce el tiempo de desarrollo y el coste experimental.

Al combinar las probadas capacidades estadísticas de Minitab Solution Center con la avanzada potencia de optimización de Minitab DOE by Effex, los equipos de ingeniería pueden ir más allá de la experimentación por ensayo y error y adoptar decisiones de diseño basadas en datos que produzcan infraestructuras más sólidas, seguras y resilientes.

La versión Witness 28 introduce una mejora práctica en la forma en que se trabaja con atributos en los modelos de simulación. El objetivo es facilitar la visualización de lo que sucede con las piezas a medida que se mueven a través de un sistema, pero los atributos de estado también se pueden usar en máquinas.

Este artículo presenta los atributos de estado, junto con nuevas funciones y mejoras en los informes que le ayudarán a realizar un seguimiento y comprender la utilización.

¿Qué son los atributos de estado?

Los atributos de estado son un nuevo tipo de atributo que solo puede tomar valores de una lista predefinida de estados.

Igualmente importante, un atributo de estado solo puede estar en un estado a la vez.

Puede que parezca un cambio pequeño, pero marca una gran diferencia. En lugar de asignar cualquier valor al atributo en Acciones que se ajuste al tipo de datos, ahora puede definir estados personalizados claros, como en este ejemplo, donde definimos los estados en los que puede estar una Pieza para representar el área en el proceso.

Figura 1 : Atributo de estado personalizado – as_MyStates

Estado de configuración

Con los estados definidos para los atributos de estado, ahora puede establecer el atributo en cualquier acción que desee. Si ha definido el atributo de estado como una cadena, como en el ejemplo, puede verificar cuál es esa cadena con la función StateName si conoce el índice, o, por el contrario, si conoce la cadena pero no el índice, puede usar StateIndexStr (o el equivalente StateIndexNum o StateIndexName).

Seguimiento de la utilización con mayor claridad

Ahora puede realizar un seguimiento del tiempo que las piezas permanecen en cada uno de sus estados personalizados.

Esto le da una idea mucho más clara de cómo se comporta su sistema, mostrando:

• Donde las partes pasan la mayor parte del tiempo
• Donde se acumulan los retrasos
• De dónde provienen los tiempos de entrega en términos de procesos de valor añadido y no de valor añadido o tiempos de espera.

Los informes de Explode se han actualizado para incluir atributos de estado. Ahora puede ver el porcentaje de tiempo que cada pieza ha pasado en cada estado y la cantidad de veces que cada pieza ha estado en cada estado:

Nuevas funciones para trabajar con los estados

Se han añadido varias funciones nuevas para ayudarle a trabajar con los atributos de estado.

Comprensión de los datos estatales

• StateUtil: devuelve la utilización para un estado específico para una parte.
• StateCount: indica el número de veces que una pieza ha cambiado a un estado.
• StateIndexStr (& Num y Name): Permite trabajar con índices de estado mediante programación

Accesorios ACME.mod

La versión actualizada de ACME.mod tiene un nuevo atributo de estado Model.as_FixtureState para demostrarlo.

Si se estás empezando, este ejemplo le resultará útil. Consulte el Informe de uso del atributo Estado para ver cómo cambia y el Informe de desglose de cualquier elemento con Partes presentes para ver las estadísticas.

Estados de máquina

La gran ventaja de los atributos de estado es que también pueden usarse como atributos de grupo 0, aplicables a otros elementos como máquinas, lo que permite definir estados personalizados para cada una. Esto permite replicar las funcionalidades de PUtil y SUtil, pero con definiciones de estado propias. Por ejemplo, se podría usar para controlar el tiempo que una máquina dedica a procesar piezas de diferentes tipos.

INSTANCE y SEQNO

El seguimiento del estado también funciona junto con dos nuevos atributos del sistema:

• INSTANCE: un identificador único para cada parte.
• SEQNO: El identificador del orden en que se crearon las piezas

Cómo funcionan INSTANCE y SEQNO en la práctica

Cada componente del modelo recibe un valor de INSTANCE al crearse. Este valor es una cadena de texto compuesta por el nombre del componente y un número entre corchetes.

Por ejemplo: Pallet(123)

Witness asigna automáticamente ese número, y ninguna parte del modelo lo compartirá al mismo tiempo. No es necesario configurarlo ni gestionarlo; es de solo lectura.

Los números no siempre serán secuenciales, ya que una vez que una pieza sale del modelo, su número puede reutilizarse posteriormente. Considere INSTANCE como un identificador único temporal mientras la pieza se encuentra en el sistema.

SEQNO es un número entero que registra el orden en que las piezas del mismo tipo ingresan al modelo. Cada tipo de pieza tiene su propio contador.

Esto significa que SEQNO es único dentro de un tipo de pieza, no en todo el modelo. Al igual que INSTANCE, SEQNO se asigna automáticamente y es de solo lectura.

Por qué INSTANCE y SEQNO son útiles

INSTANCE le ofrece una forma fiable de rastrear y comparar piezas específicas a medida que se mueven por su modelo. Puede almacenar el "nombre" de la pieza en la variable name y acceder a ella posteriormente sin saber qué elemento ocupa actualmente. Por ejemplo, registrar la INSTANCE en algunas acciones:

Vn_PartName = INSTANCE

Donde INSTANCE podría devolver Pallet(123)

Y posteriormente, utilice eso para establecer los demás atributos de las piezas:

Vn_PartName:ai_Release = 1

SEQNO resulta útil cuando se desea realizar un seguimiento de todas las partes de un tipo, y especialmente cuando se necesita un número de fila para almacenar datos sobre esa parte en una tabla de datos.

Funciones iteradoras

Las nuevas funciones iteradoras facilitan el recorrido por los elementos y el análisis de estads:

• EltFirstByType() / EltNextByType() – Utilice estas funciones en un bucle que recorra elementos de un tipo específico.
• EltFirst() / EltNext() – Utilice estas funciones en un bucle a través de las instancias de piezas de un tipo de pieza específico.

Resultan útiles al crear lógica personalizada o informes que necesitan analizar varios elementos del mismo tipo, o cuando la variable del sistema N no es aplicable.

Validación y búsqueda de estado

Para ayudar a evitar errores y mantener la coherencia de los modelos, se incluye un conjunto de funciones de apoyo en Witness 28:

• MaxState() – Devuelve el número máximo de estados para un elemento (hasta el cual se puede iterar).
• ValidState() – Comprueba si un estado es válido (no todos los estados inferiores al máximo son estados válidos).
• StateName() – Devuelve el nombre de un estado – útil para generar informes

Esto hará que los modelos que generan informes sean más sólidos y que el código de Actions pueda ser genérico.

Por qué esta actualización es importante

Esta versión facilita la descripción de lo que sucede en su modelo de una manera clara y estructurada.

Ahora puede:

• Realizar un seguimiento de su propia definición de utilización sin soluciones alternativas adicionales.
• Construir una lógica más limpia utilizando estados definidos.
• Comprender el comportamiento del sistema más rápidamente
• Elaborar informes que sean más fáciles de explicar a los demás.

Reflexiones finales

Witness 28 mejora la forma en que se utilizan los atributos: para definir estados, realizar un seguimiento adecuado de los mismos y utilizar esa información para comprender el sistema.

Si alguna vez ha tenido dificultades para explicar en qué se invierte el tiempo en un modelo, esta actualización debería simplificarlo mucho.