- Detalles
- Categoría: BIOVIA
- Visto: 1288
Martin Karplus, el estimado químico teórico y premio Nobel, falleció el 28 de diciembre de 2024 a la edad de 94 años. El profesor Karplus fue reconocido por su trabajo pionero en el desarrollo de modelos computacionales para estudiar las interacciones biomoleculares. Desempeñó un papel clave en el desarrollo de CHARMM (Chemistry at HARvard Macromolecular Mechanics), que se ha convertido en una herramienta fundamental en química computacional y biofísica, avanzando en nuestra comprensión de los procesos biológicos a nivel molecular y ayudando a diseñar nuevas terapias. El trabajo del profesor Karplus, incluido su papel en el desarrollo de CHARMM, le valió el Premio Nobel de Química en 2013, compartido con Michael Levitt y Arieh Warshel, por sus contribuciones pioneras al campo de la química computacional. Esto es lo que nuestro Director de Estrategia, el Dr. Reza Sadeghi, escribió sobre el profesor Martin Karplus:
| "El legado de Martin Karplus trasciende sus logros científicos, viviendo en los innumerables científicos de los que fue mentor entre ellos e inspiró a superar los límites de la química tradicional. Su visión y generosidad de espíritu han dejado una huella indeleble en la comunidad científica. El fallecimiento de Martin marca el final de una era, pero su trabajo sigue siendo una piedra angular de la química moderna, dando forma al campo para las generaciones venideras. Extrañaré profundamente su sabiduría y la bondad con la que la compartió. Martin Karplus, una figura imponente en la química teórica, remodeló profundamente el campo de la simulación molecular. Galardonada con el Premio Nobel de Química en 2013, Karplus fue pionera en métodos computacionales para modelar y predecir el comportamiento de sistemas químicos complejos, cerrando la brecha entre los marcos teóricos y la ciencia experimental. Su trabajo pionero sentó las bases de la química computacional moderna, permitiendo a los investigadores visualizar la dinámica molecular y comprender las interacciones químicas con una precisión sin precedentes. Entre sus contribuciones monumentales se encuentra el desarrollo de CHARMM, un programa que revolucionó las simulaciones de dinámica molecular. CHARMM se volvió esencial para la investigación farmacéutica y la ciencia de los materiales, desbloqueando conocimientos sobre el plegamiento de proteínas, el diseño de fármacos y las interacciones moleculares. Su integración en Discovery Studio amplificó su impacto, proporcionando una plataforma accesible para que los científicos aprovechen sus capacidades para abordar los desafíos del mundo real." |
Desde Addlink y la familia Biovia, estamos agradecidos por las contribuciones del profesor Martin Karplus al campo de la química computacional, que ha permitido innumerables descubrimientos en biología y ha avanzado en el diseño de fármacos. Su legado seguirá inspirando a las futuras generaciones de científicos, y su impacto en la comunidad científica será recordado y apreciado en los años venideros.
¿Conoces Discovery Studio? ¿Lo usas?
Nos encantaría que nos contases cómo
¡CUÉNTANOS!
- Detalles
- Categoría: Comsol
- Visto: 1406
Es habitual trabajar en el model builder de COMSOL Multiphysics® con varios componentes que comparten la misma geometría, por ejemplo, si queremos comparar los resultados de simulación numérica obtenidos cuando se emplean distintos modelos de radiación.
¿Le gustaría ahorrar tiempo utilizando la misma definición del mallado para cada componente?
Veamos el ejemplo que se muestra en la Figura 1. Se incluyen dos componentes en el mismo entorno de trabajo y que comparten idéntica geometría, la cual representa la sección de una tubería. Una vez definidos los materiales, las físicas y sus condiciones de contorno se ha configurado la malla del primer componente.
Tras definir la configuración de la malla para el primer componente, una forma rápida de asignar la misma configuración de malla para la geometría del segundo componente es utilizar la función “importar”. La configuración de esta función se muestra en la Figura 2. De esta manera, ahorrará tiempo en la definición de la malla del segundo componente
¡Esperamos que le sirva este “truco” para agilizar la definición de malla en entornos de simulación multicomponente en COMSOL Multiphysics®!
Figura 1. Entorno de modelización multicomponente en COMSOL Multiphysics® prestando atención al mallado.
Figura 2. Función “importar” para utilizar la misma configuración de malla del componente 1 en el componente 2.
- Detalles
- Categoría: Lakes
- Visto: 1227
Hace varios meses, publicamos un Consejo de modelado en el que se analizaban cambios importantes en el procesamiento de la atmósfera superior con el preprocesador meteorológico AERMET. Desde entonces, la EPA de EE.UU. publicó las versiones 24142 de AERMET y otros componentes del sistema de modelado AERMOD. Esta actualización amplió las capacidades de AERMET para gestionar el formato de datos de la atmósfera superior del Archivo de radiosonda global integrado (IGRA), y la versión 13.0 de AERMET View de Lakes Software ofrece una mayor optimización para los usuarios.
Los usuarios de AERMET View 13.0 encontrarán las siguientes mejoras:
Nuevo campo de elevación de base
Con la versión 24142, AERMET requiere que se identifique un valor de elevación base (Base Elevation) para todas las estaciones aéreas superiores. Esto garantiza que el nivel del suelo se pueda identificar correctamente incluso cuando el archivo IGRA no tenga este valor. En la vista AERMET, el campo se encuentra en el grupo Upper Air Station Location. Se emitirá una advertencia si los usuarios olvidan introducir esta información.
Base de datos ampliada de la estación aérea superior
AERMET View también cuenta con una base de datos de estaciones actualizada que utiliza la documentación de NCEI para completar la información de las estaciones de todos los sitios globales (incluido el nuevo campo de Elevación base requerido ). Simplemente cargue cualquier archivo de datos IGRA en AERMET View y la aplicación aplicará automáticamente cualquier información relevante. Los usuarios también pueden buscar manualmente en la base de datos utilizando el botón Search Stations resaltado a continuación.
Para acceder a los datos de IGRA, consulte nuestro consejo de modelado anterior
.- Detalles
- Categoría: Minitab
- Visto: 957
Por Alyssa Sarro.
Si Vd. es como yo, seguramente estará constantemente pidiendo paquetes y esperando que lleguen en los próximos días. Es sorprendente, casi mágico, la rapidez con la que las cosas que necesitamos pueden llegar a nuestras puertas, ¿verdad?
Si trabaja en el sector de embalajes, probablemente esté pensando: "Ojalá fuera magia". Desde garantizar la calidad hasta reducir los costes y los desechos, hay muchas cosas que suceden entre el momento en que hace clic en "pagar" y cuando el paquete llega a su puerta. Analicemos estos desafíos con más detalle y veamos cómo Minitab ofrece las soluciones perfectas para abordarlos.
La calidad inconsistente conduce a la insatisfacción del cliente
Imagine que pide un producto y lo encuentra dañado o mal empaquetado. Es frustrante. Garantizar una calidad constante no es tarea fácil. La variabilidad de los materiales y del proceso, y el error humano pueden generar un problema de empaquetado que dé como resultado defectos e insatisfacción del cliente. Aquí es donde Minitab Real-Time SPC entra en acción para convertirse en su inspector de control de calidad. Al monitorizar los procesos de producción en tiempo real, Minitab Real-Time SPC identifica variaciones y problemas potenciales antes de que se agraven.
Además, Minitab Real-Time SPC permite una mejora continua al proporcionar información útil sobre sus procesos de producción. Al analizar las tendencias de los datos e identificar las causas fundamentales de la variabilidad, puede implementar acciones correctivas rápidamente. Esto significa que le notificaremos de inmediato cuando algo no cumpla con las especificaciones. Este enfoque proactivo no solo mantiene estándares de alta calidad, sino que también aumenta la eficiencia general, lo que garantiza que sus operaciones de empaquetado se realicen sin problemas y de manera constante, manteniendo todo perfectamente empaquetado y libre de defectos.
Los altos costos de producción afectan los márgenes de ganancia
A todos nos gusta hacer buenas compras, pero detrás de escena, equilibrar el coste de los materiales, la mano de obra y la producción manteniendo altos estándares de calidad es una tarea difícil. Como profesionales del embalaje, enfrentan una presión constante para reducir los costes sin comprometer la calidad, lo que puede ser una tarea abrumadora. El software estadístico Minitab permite analizar los datos de producción para identificar ineficiencias y optimizar los procesos. Al comprender las causas fundamentales de la variabilidad y el desperdicio, pueden agilizarse las operaciones y reducir los costes manteniendo intacta la calidad.
No siempre es fácil identificar áreas en las que se están desperdiciando o subutilizando recursos. Con Minitab, pueden encontrarse las causas fundamentales de la variabilidad e implementar mejoras específicas que generen ahorros de costes significativos. Esto no solo ayuda a mantener una ventaja competitiva, sino que también brinda información útil para garantizar que sus operaciones de empaquetado sean financieramente estables a largo plazo.
Antes de realizar el cambio, aproveche el poder de la simulación de eventos discretos para poner a prueba su teoría de mejora. Sea capaz de mostrar los resultados positivos que espera a los supervisores, compañeros y empleados para obtener su apoyo para implementar la mejora.
El exceso de residuos afecta negativamente al medio ambiente
Con la creciente presión de los consumidores y de las autoridades regulatorias, es necesario encontrar formas en el departamento de empaquetado de reducir los desechos y utilizar materiales sustentables, sin afectar la experiencia del consumidor. El desperdicio excesivo no solo genera mayores costes, sino que también tiene un impacto ambiental negativo. Al analizar diferentes procesos y materiales, Minitab ayuda a comparar opciones sustentables que reducen los desechos y mejoran la eficiencia de los recursos. De esta manera, puede asegurarse que la calidad no se vea afectada por un cambio de material.
Al identificar áreas en las que puede reducir el consumo de energía, minimizar los desechos y utilizar materiales más sostenibles, pueden tomarse decisiones informadas que beneficien tanto al medio ambiente como a los resultados. Este compromiso con la sostenibilidad no solo mejora la reputación de la marca y reduce los costes, sino que también se alinea con la creciente demanda de productos ecológicos por parte de los consumidores.
Una solución perfectamente empaquetada
Al tener visibilidad de los sistemas en cada etapa del proceso, pueden realizarse ajustes sobre la marcha para mitigar los riesgos del proceso y mantener la continuidad. Desde el abastecimiento y la producción de materiales hasta la distribución y la logística, este nivel de control no solo mejora la eficiencia operativa, sino que también garantiza que los clientes reciban sus productos a tiempo, en todo momento.
Al equipar a los equipos de empaquetado con las soluciones adecuadas para enfrentar estos desafíos, puede mantenerse competitivo y satisfacer las altas demandas de los consumidores que esperan entregas rápidas y confiables. Minitab Real-Time SPC y Minitab Statistical Software ofrecen herramientas poderosas para mantener el control de calidad, administrar costos, mejorar la sostenibilidad y garantizar la eficiencia de la cadena de suministro. Si es tan fácil para mí comprar en línea, debería ser igual de fácil para usted en la planta de fabricación.
- Detalles
- Categoría: Comsol
- Visto: 1385
Introducción y objetivos
Ante la creciente necesidad de soluciones energéticas sostenibles, las celdas de combustible de Membrana de Intercambio Protónico de Alta Temperatura (HT-PEM) destacan como alternativas prometedoras por su capacidad de operar hasta 200 °C, lo que mejora la gestión del agua y reduce problemas de envenenamiento por monóxido de carbono.
El estudio titulado “Exploring the sustainability of serpentine flow-field fuel cell, straight channel PEM fuel cells hight temperature through numerical analysis” publicado en la revista internacional “Energy Nexus” de la editorial Elsevier tiene como objetivo analizar celdas HT-PEM COMSOL Multiphysics® para evaluar los perfiles de concentración, densidades de corriente y curvas de polarización. Se busca optimizar parámetros críticos como las velocidades de entrada de hidrógeno y aire, así como la conductividad protónica de la membrana.
Modelización y simulación
El trabajo se basa en un modelo tridimensional (Figura 1), y un estudio en estado estacionario desarrollado en COMSOL Multiphysics®. Para simular el sistema, Comsol Multiphysics®, junto con su módulo de Fuel Cells, actúa como una potente herramienta computacional para resolver sistemas de ecuaciones diferenciales parciales mediante el método de elementos finitos. Específicamente diseñado para la modelización de celdas de combustible (FC), el módulo Electrochemistry se encarga de la física de Secondary Current Distribution. Esta física permite representar las corrientes electroquímicas basadas en la ley de Ohm, facilitando la obtención de las distribuciones de potencial en el electrolito.
Figura 1. Pila de combustible HT-PEM modelizada.
El programa incorpora la ecuación de Butler-Volmer y la ecuación de Tafel durante la ejecución, lo que permite la generación de curvas de polarización y la visualización de la distribución de densidad de corriente a lo largo de la membrana.
Para el análisis del transporte de masa dentro de la celda, el módulo Chemical Species Transport maneja la física de Reacting Flow in Porous Media, centrándose específicamente en el Transport of Concentrated Species. Este enfoque se aplica dos veces para abordar el transporte de masa tanto en el compartimento de gas del ánodo como en el del cátodo. Dada la composición gaseosa distinta en cada lado, con hidrógeno y agua en el ánodo, y oxígeno, agua y nitrógeno en el cátodo, esta aplicación doble resulta esencial. La ecuación de Maxwell-Stefan se emplea para resolver el transporte de especies gaseosas dentro de la capa de difusión de gas y la capa catalizadora.
Además, la integración de las ecuaciones de Navier-Stokes y Brinkman en esta física permite modelar las capas porosas de difusión de gas (GDLs) y los electrodos. Los perfiles de concentración para el ánodo y el cátodo se obtienen a través de esta configuración física integral, lo que asegura un análisis detallado de los fenómenos de transporte electroquímico y de masa en la celda de combustible PEM de alta temperatura.
Resultados y conclusiones
Como se muestra en la Figura 2. Los resultados muestran una notable concordancia entre los datos experimentales y los valores simulados de la curva de polarización. La Figura 3 muestra la fracción molar de hidrógeno y oxígeno cuando se utilizan canales de flujo recto y a una temperatura de operación de 180ºC.
Este estudio destaca el potencial de la herramienta COMSOL Multiphysics® demostró para visualizar y cuantificar fenómenos complejos en dispositivos electroquímicos y clave en el diseño y optimización de pilas de combustible de tecnología HT-PEM.
Figura 2. (a) Curva de polarización: comparativa entre datos experimentales y resultados de simulación numérica en COMSOL Multiphysics®. (b)
Figura 3. Distribución de las fracciones molares de hidrógeno y oxígeno con canales de flujo recto a 180 °C.
Referencias
[1] Babay et al. Exploring the sustainability of serpentine flow-field fuel cell, straight channel PEM fuel cells hight temperature through numerical analysis. Energy Nexus, 2024, 14, 100283.
- Detalles
- Categoría: Minitab
- Visto: 1055
Por Oliver Franz.
¿Alguna vez ha tenido que esperar mucho tiempo para que le aprueben un préstamo? ¿Quizás tuvo que esperar mucho tiempo para hablar con una persona real en su banco durante una crisis? ¿O incluso hizo una larga cola mientras esperaba que un cajero completara una transacción simple?
Interactuar con los bancos puede ser excepcionalmente estresante para los consumidores y, con el crecimiento de la banca en línea, la competencia nunca ha sido tan dura. Hay docenas de otras opciones para los clientes si tienen incluso una experiencia negativa con su banco.
Si trabaja en un banco o en cualquier institución financiera, sabe que mejorar el funcionamiento interno es fundamental para mantenerse a la vanguardia y evitar este tipo de abandono. Una de las mejores formas de lograrlo es mediante el uso de datos.
A continuación se presentan tres pasos prácticos que le ayudarán a comenzar a utilizar el análisis de datos para mejorar las operaciones bancarias:
1. Mapee sus flujos de trabajo para identificar ineficiencias y demoras
Los bancos operan con una variedad de procesos, que incluyen la aprobación de préstamos, la gestión de cuentas y el servicio de atención al cliente. Comprender cómo funciona cada uno (o no) es esencial para mejorar.
Minitab Workspace es perfecto para esto. Le permite visualizar y documentar cada paso de su flujo de trabajo, de principio a fin. Por ejemplo, si las aprobaciones de préstamos demoran constantemente más de lo esperado, puede usar mapas de procesos para resaltar cada punto de decisión, transferencia y posible cuello de botella en el proceso. Con un mapa visual claro, puede identificar rápidamente dónde ocurren los retrasos y abordarlos directamente, ya sea reasignando tareas, automatizando ciertos pasos o agilizando las etapas de aprobación.
2. Analizar datos para identificar patrones que impactan la eficiencia
Una vez que haya diseñado sus flujos de trabajo, el siguiente paso es analizar los datos reales. Analizar las métricas detrás de sus operaciones le permitirá descubrir patrones que no son inmediatamente obvios. Ya sean los tiempos de transacción, la actividad de las cuentas o las interacciones con los clientes, el análisis de datos puede revelar ineficiencias y ayudarle a refinar sus procesos.
Minitab Statistical Software puede ayudarle con este análisis profundo. Por ejemplo, puede analizar los volúmenes de llamadas de servicio al cliente y descubrir que las llamadas sobre determinados problemas alcanzan su pico máximo durante meses específicos. Tal vez los volúmenes altos se correlacionen con determinadas ofertas de productos o promociones de temporada. Minitab puede ayudarle a identificar estas tendencias a través del análisis estadístico, señalando las causas fundamentales de las ineficiencias que se pueden abordar mediante la automatización, los cambios de procesos o una mejor asignación de recursos. Este enfoque específico garantiza que las mejoras se basen en información clara y basada en datos en lugar de conjeturas.
3. Mejore la toma de decisiones con paneles de datos en tiempo real
Los datos en tiempo real permiten que su equipo tome decisiones más rápidas e informadas. (Por datos en tiempo real, nos referimos a datos que se extraen de manera constante, como cada hora o diariamente, o con una cadencia que funcione para su equipo). Esto es especialmente crítico en el sector bancario, donde los cambios regulatorios, las demandas de los clientes y las condiciones del mercado pueden cambiar rápidamente.
Minitab Connect ayuda a que los análisis en vivo formen parte de su ecosistema a través de sus paneles interactivos. Estos paneles centralizan métricas críticas, como tiempos de procesamiento de préstamos, estadísticas de apertura de cuentas o puntuaciones de satisfacción del cliente, en una ubicación accesible. Por ejemplo, puede crear un panel que haga un seguimiento de los estados de aprobación de préstamos en diferentes sucursales en tiempo real. Esto le permite ver cuándo un departamento se retrasa o cuándo se producen cuellos de botella. En lugar de esperar informes semanales o mensuales, puede tomar medidas inmediatas, ya sea reasignar recursos o abordar un problema antes de que se agrave.
Descubra todo el potencial de su banco
Los datos no son solo números; lo ayudan a tomar decisiones más inteligentes, optimizar procesos y mantenerse a la vanguardia de los desafíos. Con las herramientas adecuadas, como la poderosa suite de Minitab para mapeo de procesos, análisis de datos e información en tiempo real, puede crear una operación más eficiente, receptiva y centrada en el cliente. Comience a aprovechar los datos hoy y observe cómo mejora el desempeño de su banco en todos los ámbitos.
- Detalles
- Categoría: NAG
- Visto: 1585
En lo que respecta a la optimización matemática, elegir el resolvedor adecuado no es solo una cuestión técnica: es la clave para lograr eficiencia, precisión y rendimiento. Ya sea que esté abordando un problema disperso o denso, el resolvedor que seleccione afecta profundamente los recursos que necesitará y los resultados que obtendrá. Este blog profundiza en el proceso crítico de toma de decisiones de la selección del resolvedor, por qué es importante y cómo puede evitar errores comunes.
Por qué es esencial elegir un resolvedor de optimización
Los problemas de optimización son tan diversos como las industrias a las que sirven, desde la ingeniería estructural hasta la ciencia de datos. Pero, en esencia, todos comparten un desafío común: equilibrar de manera eficiente el costo computacional con la escala y la complejidad del problema. Una de las preguntas más importantes en este proceso es: ¿su problema es escaso o denso? Responder esta pregunta de manera temprana le permite alinear su elección de resolvedor con la estructura única de su problema, ahorrando tiempo y recursos computacionales.
Problemas dispersos y densos: por qué es importante
- Problemas dispersos: involucran matrices donde la mayoría de los elementos son cero. Los resolvedores dispersos aprovechan esta estructura para evitar cálculos innecesarios, lo que reduce drásticamente la memoria y el tiempo de procesamiento.
- Problemas densos: tienen muchas interdependencias entre variables, lo que requiere resolvedores diseñados para manejar matrices grandes y completamente pobladas de manera eficiente.
El valor oculto de la escasez
Para la optimización a gran escala, reconocer y aprovechar la escasez puede transformar el rendimiento. Considere este ejemplo:
- Una matriz con miles de variables pero una densidad inferior al 1% permite a los resolvedores dispersos omitir ceros, lo que reduce significativamente el tiempo de cálculo y el uso de memoria.
- Los resolvedores densos, por el contrario, tienen dificultades a medida que aumenta el tamaño del problema y a menudo consumen exponencialmente más recursos.
¿Los resultados? Los resolvedores dispersos superan consistentemente a sus contrapartes densas en problemas con estructuras de baja densidad.
Aplicaciones en el mundo real: lecciones aprendidas
- Programación lineal: para problemas con densidades inferiores al 1 %, los resolvedores dispersos pueden generar mejoras de rendimiento espectaculares. Los resolvedores dispersos completan tareas en segundos, mientras que los resolvedores densos tardan minutos u horas. Tenga en cuenta que no todos los problemas de programación lineal son dispersos.
- Factorización de Cholesky: las rutinas dispersas de Cholesky se escalan sin problemas para problemas grandes, mientras que los métodos densos alcanzan límites de rendimiento a medida que aumenta el tamaño y la complejidad del problema.
El peligro de los resolvedores desalineados
Incluso los usuarios experimentados pueden malinterpretar la estructura de su problema. No es raro pasar por alto la escasez que se introduce durante la reformulación del problema (consulte el ejemplo de este blog) .
Puntos clave para la elección del resolvedor óptimo
- Evalúe la escasez de manera temprana: determine la densidad de las matrices de su problema y elija un resolvedor que se alinee con su estructura.
- Considere las reformulaciones: los datos que procesa su resolvedor pueden diferir del problema original. Analice lo que ve realmente el resolvedor.
- Aproveche los resolvedores dedicados: cuando están disponibles, brindan una eficiencia incomparable al adaptar los métodos a su tipo de problema específico.
Potencie su flujo de trabajo de optimización
Elegir el resolvedor adecuado no solo implica ahorrar tiempo, sino también transformar la forma en que aborda la optimización. Al alinear su elección de resolvedor con la estructura del problema, logrará soluciones más rápidas, eficientes y escalables.
Resolvedores de optimización robustos, probados y de alto rendimiento
Optimization Modelling Suite, que se entrega con la biblioteca nAG, incluye una amplia colección de resolvedores de optimización matemática. Se puede acceder a los resolvedores a través de una interfaz intuitiva diseñada para facilitar su uso. Las áreas clave de optimización matemática que se cubren incluyen:
- Programación lineal (PL) - densa y dispersa, basada en el método simplex y el método del punto interior;
- Programación cuadrática (QP) - convexa y no convexa, densa y dispersa; Programación de cono de segundo orden (SOCP) - cubre muchos problemas de optimización convexa, como la programación cuadrática con restricciones cuadráticas (QCQP) ;
- Programación no lineal (PNL) - densa y dispersa, basada en métodos SQP de conjuntos activos y el método del punto interior (IPM);
- Programación no lineal globa - algoritmos basados en inicio múltiple, ramificación y metaheurísticas;
- Programación lineal entera mixta (MILP) - para problemas a gran escala, basada en un enfoque moderno de ramificación y acotación;
- Programación no lineal de números enteros mixtos (MINLP) - para problemas densos (posiblemente no convexos);
- Programación Semidefinida (SDP) - tanto desigualdades matriciales lineales (LMI) como desigualdades matriciales bilineales (BMI);
- Optimización sin derivadas (DFO) - resolvedores de problemas en los que las derivadas no están disponibles y las aproximaciones son inexactas;
- Mínimos cuadrados (LSQ) ajuste de datos, calibración, regresión - lineal y no lineal, restringida y sin restricciones.